请注意,该项目仍处于测试阶段。请报告您遇到的任何问题或您的建议。我们将尽最大努力快速解决这些问题。非常欢迎您的贡献!
NeuralProphet 是一个易于学习的可解释时间序列预测框架。 NeuralProphet 基于 PyTorch 构建,结合了神经网络和传统时间序列算法,受到 Facebook Prophet 和 AR-Net 的启发。
文档页面可能不完全是最新的。文档字符串应该是可靠的,如有疑问请参考文档字符串。我们正在努力改进文档。我们感谢任何改进和更新文档的帮助。
有关 NeuralProphet 的直观介绍,请查看此演示文稿。
我们编制了一个为 NeuralProphet 做出贡献的页面,其中包含实用说明和更多资源,以帮助您成为该家庭的一员。
如果您有任何问题或建议,可以在 Github 上参与我们的社区
我们还有一个活跃的 Slack 社区。快来加入对话吧!
有几个示例笔记本可以帮助您入门。
您可以在我们的neuralprophet-data存储库中找到教程中使用的数据集,包括数据预处理示例。
请参阅我们的文档页面以获取更多资源。
from neuralprophet import NeuralProphet
导入包后,您可以在代码中使用 NeuralProphet:
m = NeuralProphet ()
metrics = m . fit ( df )
forecast = m . predict ( df )
您可以使用内置绘图函数可视化结果:
fig_forecast = m . plot ( forecast )
fig_components = m . plot_components ( forecast )
fig_model = m . plot_parameters ()
如果您想预测未知的未来,请在预测之前扩展数据框:
m = NeuralProphet (). fit ( df , freq = "D" )
df_future = m . make_future_dataframe ( df , periods = 30 )
forecast = m . predict ( df_future )
fig_forecast = m . plot ( forecast )
您现在可以直接使用 pip 安装 Neuralprophet:
pip install neuralprophet
如果您计划在 Jupyter 笔记本中使用该包,我们建议安装“live”版本:
pip install neuralprophet[live]
这将允许您在fit
函数中启用plot_live_loss
来获取训练(和验证)损失的实时图。
如果您想要最新版本,可以直接从 github 安装:
git clone < copied link from github >
cd neural_prophet
pip install .
Windows 用户注意:请使用 WSL2。
有关过去更改的列表,请参阅发布页面。
如果 NeuralProphet 对您的研究有帮助,请在您的出版物中引用它:
@misc{triebe2021neuralprophet,
title={NeuralProphet: Explainable Forecasting at Scale},
author={Oskar Triebe and Hansika Hewamalage and Polina Pilyugina and Nikolay Laptev and Christoph Bergmeir and Ram Rajagopal},
year={2021},
eprint={2111.15397},
archivePrefix={arXiv},
primaryClass={cs.LG}
}
NeuralProphet 是一个开源社区项目,得到像您这样的优秀人士的支持。如果您有兴趣加入该项目,请随时与我(Oskar)联系 - 您可以在 NeuralProphet Paper 上找到我的电子邮件。