NeuralProphet：基于神经网络的时间序列建模库

禁忌石 2022-04-15

展开全文

NeuralProphet是一个python库，用于基于神经网络对时间序列数据进行建模。它建立在PyTorch之上，并受到Facebook Prophet和AR-Net库的极大启发。

NeuralProphet 和 Prophet对比

从库名称中，您可能会问Facebook的Prophet库和NeuralProphet之间的主要区别是什么。根据NeuralProphet的文档，增加的功能是[1]：

· 使用PyTorch的Gradient Descent进行优化，使建模过程比Prophet快得多

· 使用AR-Net建模时间序列自相关（也称为序列相关）

· 自定义损失和指标

· 具有前馈神经网络的可配置非线性层，

· 等等

项目维护者

基于该项目的GitHub页面，该项目的主要维护者是斯坦福大学的Oskar Triebe，Facebook和莫纳什大学的合作。

安装

该项目处于测试阶段，因此，如果您要在生产环境中使用此库，我建议您谨慎使用。

不幸的是，在撰写本文时，该库没有pip或conda软件包。只能通过克隆存储库并运行pip install。来安装它。但是，如果要在Jupyter Notebook环境中使用该软件包，则应安装其实时版本pip install . 这将提供更多功能，例如使用plotliveloss（）实时训练和验证损失。

git clone https://github.com/ourownstory/neural_prophet cd neural_prophet pip install .[live]

我建议创建一个新环境（conda或venv），并从新环境安装NeuralProphet软件包，让安装程序处理所有依赖项（它具有Pandas，Jupyter Notebook，PyTorch作为依赖项）。

现在我们已经安装了软件包，让我们开始吧！

案例分析实践

在这里，我使用在Kaggle上的2013年至2017年德里的每日气候数据。首先，让我们导入主要包。

import pandas as pd from neuralprophet import NeuralProphet

然后，我们可以将数据读取到Panda DataFrame中。 NeuralProphet对象期望时间序列数据具有一个名为ds的日期列，而我们希望将其预测为y。

# Data is from https://www./sumanthvrao/daily-climate-time-series-data df = pd.read_csv('./DailyDelhiClimateTrain.csv', parse_dates=['date']) df = df[['date', 'meantemp']] df.rename(columns={'date': 'ds', 'meantemp': 'y'}, inplace=True)

现在，让我们初始化模型，为NeuralProphet对象定义的所有默认参数，包括有关某些参数的其他信息。这些是您可以在模型中配置的超参数。当然，如果您打算使用默认变量，则只需执行model = NeuralProphet（）。

# model = NeuralProphet() if you're using default variables below.model = NeuralProphet(    growth='linear',  # Determine trend types: 'linear', 'discontinuous', 'off'    changepoints=None, # list of dates that may include change points (None -> automatic )    n_changepoints=5,    changepoints_range=0.8,    trend_reg=0,    trend_reg_threshold=False,    yearly_seasonality='auto',    weekly_seasonality='auto',    daily_seasonality='auto',    seasonality_mode='additive',    seasonality_reg=0,    n_forecasts=1,    n_lags=0,    num_hidden_layers=0,    d_hidden=None,     # Dimension of hidden layers of AR-Net    ar_sparsity=None,  # Sparcity in the AR coefficients    learning_rate=None,    epochs=40,    loss_func='Huber',    normalize='auto',  # Type of normalization ('minmax', 'standardize', 'soft', 'off')    impute_missing=True,    log_level=None, # Determines the logging level of the logger object)

配置模型及其超参数后，我们需要训练模型并进行预测。让我们对温度进行一年的预测。

metrics = model.fit(df, validate_each_epoch=True, freq='D') future = model.make_future_dataframe(df, periods=365, n_historic_predictions=len(df)) forecast = model.predict(future)

您可以通过调用model.plot（forecast）来简单地绘制预测，如下所示：

fig, ax = plt.subplots(figsize=(14, 10)) model.plot(forecast, xlabel='Date', ylabel='Temp', ax=ax)ax.set_title('Mean Temperature in Delhi', fontsize=28, fontweight='bold')

上面显示了一年的预测图，其中从2017-01-01到2018-01-01之间的时间段是预测。可以看出，预测图类似于历史时间序列。它既捕获了季节性，又捕获了线性趋势的缓慢增长。

也可以通过调用model.plot_parameters（）来绘制参数。

使用平均绝对误差（MAE）的模型损失如下图所示。您也可以使用'平滑的L1损失'功能。

fig, ax = plt.subplots(figsize=(14, 10))ax.plot(metrics['MAE'], 'ob', linewidth=6, label='Training Loss')  ax.plot(metrics['MAE_val'], '-r', linewidth=2, label='Validation Loss')# You can use metrics['SmoothL1Loss'] and metrics['SmoothL1Loss_val'] too.