NeuralProphet：以人為本的預測

NeuralProphet 是一個易於學習的可解釋時間序列預測框架。 NeuralProphet 基於 PyTorch 構建，結合了神經網路和傳統時間序列演算法，受到 Facebook Prophet 和 AR-Net 的啟發。

只需幾行程式碼，您就可以定義、自訂、視覺化和評估您自己的預測模型。
它專為迭代人機互動模型構建而設計。這意味著您可以快速建立第一個模型，解釋結果，改進，重複。由於注重可解釋性和自訂能力，NeuralProphet 可能不是現成的最準確的模型；因此，請毫不猶豫地進行調整和迭代，直到您喜歡結果為止。
NeuralProphet 最適合頻率較高（次日）和持續時間較長（至少兩個完整週期/年）的時間序列資料。

文件

文件頁面可能不完全是最新的。文件字串應該是可靠的，如有疑問請參考文件字串。我們正在努力改進文件。我們感謝任何改進和更新文件的幫助。

有關 NeuralProphet 的直覺介紹，請查看此簡報。

貢獻

我們編制了一個為 NeuralProphet 做出貢獻的頁面，其中包含實用說明和更多資源，以幫助您成為該家庭的一員。

社群

討論和幫助

如果您有任何問題或建議，可以在 Github 上參與我們的社區

鬆弛聊天

我們還有一個活躍的 Slack 社群。快來加入對話吧！

教學

有幾個範例筆記本可以幫助您入門。

您可以在我們的neuralprophet-data儲存庫中找到教程中使用的資料集，包括資料預處理範例。

請參閱我們的文件頁面以取得更多資源。

最小的例子

 from neuralprophet import NeuralProphet

導入包後，您可以在程式碼中使用 NeuralProphet：

 m = NeuralProphet ()
metrics = m . fit ( df )
forecast = m . predict ( df )

您可以使用內建繪圖函數來視覺化結果：

 fig_forecast = m . plot ( forecast )
fig_components = m . plot_components ( forecast )
fig_model = m . plot_parameters ()

如果您想預測未知的未來，請在預測之前擴展資料框：

 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 )

安裝

現在您可以直接使用 pip 安裝 Neuralprophet：

pip install neuralprophet

安裝選項

如果您打算在 Jupyter 筆記本中使用該包，我們建議安裝「live」版本：

pip install neuralprophet[live]

這將允許您在fit函數中啟用plot_live_loss來獲取訓練（和驗證）損失的即時圖。

如果您想要最新版本，可以直接從 github 安裝：

git clone < copied link from github >
cd neural_prophet
pip install .

Windows 使用者註意：請使用 WSL2。

特徵

模型組件

自回歸：自相關建模 - 線性或神經網路 (AR-Net)。
趨勢：分段線性趨勢，具有可選的自動變化點偵測。
季節性：不同時期的傅立葉項，例如每年、每天、每週、每小時。
滯後迴歸量：滯後觀測值（例如溫度感測器）- 線性或神經網路。
未來迴歸量：預先已知的特徵（例如溫度預測）-線性或神經網路。
活動：鄉村假期和定期客製化活動。
全域建模：元件可以是本地的、全域的或「glocal」（全域 + 正規化本地）

框架特點

多個時間序列：使用（部分）共享模型參數來擬合全球/全球本地模型。
不確定性：特定分位數的估計值 - 分位數迴歸。
規範化建模組件。
繪製預測成分、模型係數等。
時間序列交叉驗證實用程式。
模型檢查點和驗證。

即將推出^™️

滯後迴歸量的交叉關係。
多個系列的靜態元資料迴歸
趨勢成分的邏輯增長。

有關過去變更的列表，請參閱發布頁面。

引用

如果 NeuralProphet 對您的研究有幫助，請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}
}