神经先知

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：以人为本的预测

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。

• 只需几行代码，您就可以定义、自定义、可视化和评估您自己的预测模型。
• 它专为迭代人机交互模型构建而设计。这意味着您可以快速构建第一个模型，解释结果，改进，重复。由于注重可解释性和定制能力，NeuralProphet 可能不是现成的最准确的模型；因此，请毫不犹豫地进行调整和迭代，直到您喜欢结果为止。
• NeuralProphet 最适合频率较高（次日）和持续时间较长（至少两个完整周期/年）的时间序列数据。

文档

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。

贡献

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。

社区

讨论和帮助

如果您有任何问题或建议，可以在 Github 上参与我们的社区

松弛聊天

我们还有一个活跃的 Slack 社区。快来加入对话吧！

教程

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。

最小的例子

 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 )

安装

您现在可以直接使用 pip 安装 Neuralprophet：

pip install neuralprophet

安装选项

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。

特征

模型组件

• 自回归：自相关建模 - 线性或神经网络 (AR-Net)。
• 趋势：分段线性趋势，具有可选的自动变化点检测。
• 季节性：不同时期的傅立叶项，例如每年、每天、每周、每小时。
• 滞后回归量：滞后观测值（例如温度传感器）- 线性或神经网络。
• 未来回归量：预先已知的特征（例如温度预测）-线性或神经网络。
• 活动：乡村假期和定期定制活动。
• 全局建模：组件可以是本地的、全局的或“glocal”（全局 + 正则化本地）

框架特点

• 多个时间序列：使用（部分）共享模型参数拟合全球/全球本地模型。
• 不确定性：特定分位数的估计值 - 分位数回归。
• 规范化建模组件。
• 绘制预测成分、模型系数等。
• 时间序列交叉验证实用程序。
• 模型检查点和验证。

即将推出^™️

• 滞后回归量的交叉关系。
• 多个系列的静态元数据回归
• 趋势成分的逻辑增长。

有关过去更改的列表，请参阅发布页面。

引用

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}
}

非常感谢我们的贡献者：

关于

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。