【機器學(xué)習(xí)】NeuralProphet，這個時序工具包也太強了吧...

幾乎絕大多數(shù)做時間序列的朋友都了解Facebook的Prophet模型，因為其在準(zhǔn)確性、可解釋性等方面有著良好的性能，而且可以為用戶自動化許多元素（如超參數(shù)選擇或特征工程），因而它獲得了廣泛的應(yīng)用。本文我們介紹一個最新的NeuralProphet時，從名字就可以看出，這個是神經(jīng)網(wǎng)絡(luò)和Prophet的結(jié)合，與傳統(tǒng)的黑盒NN不同，本文我們就介紹的NeuralProphet模型集成了Prophet的所有優(yōu)點，不僅具有不錯的可解釋性，還有優(yōu)于Prophet的預(yù)測性能。

NeuralProphet

Prophet如果認(rèn)為是基本自回歸的擴展（除了使用lagged的目標(biāo)值，還對輸入變量使用傅立葉變換，這使得我們可以通過調(diào)模型拿到更好的結(jié)果）。

• Prophet可以使用額外的信息，不僅僅是target的延遲值；
• 模型能融入節(jié)假日信息；
• 可以自動檢測趨勢的變化；

和許多黑盒子的NN不同，NeuralProphet保留了Prophet的所有優(yōu)勢，同時，通過引入改進的后端（Pytorch代替Stan）和使用自回歸網(wǎng)絡(luò)（AR網(wǎng)絡(luò)），將神經(jīng)網(wǎng)絡(luò)的可擴展性與AR模型的可解釋性結(jié)合起來，提高其準(zhǔn)確性和可擴展性。

• AR網(wǎng)絡(luò)——它是一個單層網(wǎng)絡(luò)，經(jīng)過訓(xùn)練可以模擬時間序列信號中的AR過程，但規(guī)模比傳統(tǒng)模型大得多。

• NeuralProphet使用PyTorch的梯度下降進行優(yōu)化，使得建模速度更快；
• 利用自回歸網(wǎng)絡(luò)對時間序列自相關(guān)進行建模；
• 滯后回歸器使用單獨的前饋神經(jīng)網(wǎng)絡(luò)建模；
• NeuralProphet具有可配置的前饋神經(jīng)網(wǎng)絡(luò)的非線性深層；
• 模型可調(diào)整到特定的預(yù)測范圍（大于1）；
• 提供自定義的損失函數(shù)和度量策略；

代碼

1.數(shù)據(jù)讀取

# !pip install neuralprophet
import pandas as pd
from fbprophet import Prophet
from neuralprophet import NeuralProphet
from sklearn.metrics import mean_squared_error

# plotting
import matplotlib.pyplot as plt

# settings
plt.style.use('seaborn')
plt.rcParams["figure.figsize"] = (16, 8)
df = pd.read_csv('./data/wp_log_peyton_manning.csv')
print(f'The dataset contains {len(df)} observations.')
df.head()

The dataset contains 2905 observations.

df.plot(x='ds', y='y', title='Log daily page views');

2.Prophet預(yù)測

test_length = 365
df_train = df.iloc[:-test_length]
df_test = df.iloc[-test_length:]

prophet_model = Prophet()
prophet_model.fit(df_train)
future_df = prophet_model.make_future_dataframe(periods=test_length)
preds_df_1 = prophet_model.predict(future_df)
prophet_model.plot_components(preds_df_1);

prophet_model.plot(preds_df_1);

nprophet_model = NeuralProphet()
metrics = nprophet_model.fit(df_train, freq="D")
future_df = nprophet_model.make_future_dataframe(df_train, 
                                                 periods = test_length, 
                                                 n_historic_predictions=len(df_train))
preds_df_2 = nprophet_model.predict(future_df)
nprophet_model.plot(preds_df_2);

4.效果比較

• NeuralProphet的效果比Prophet好了很多。

df_test['prophet'] = preds_df_1.iloc[-test_length:].loc[:, 'yhat']
df_test['neural_prophet'] = preds_df_2.iloc[-test_length:].loc[:, 'yhat1']
df_test.set_index('ds', inplace=True)

print('MSE comparison ----')
print(f"Prophet:\t{mean_squared_error(df_test['y'], preds_df_1.iloc[-test_length:]['yhat']):.4f}")
print(f"NeuralProphet:\t{mean_squared_error(df_test['y'], preds_df_2.iloc[-test_length:]['yhat1']):.4f}")

MSE comparison ----
Prophet:	0.3576
NeuralProphet:	0.3057

小結(jié)

NeuralProphet在時間序列預(yù)測的效果上面一般會比Prophet好很多，在遇到時間序列問題的時候強烈建議大家嘗試一下。

參考文獻

1.  https://towardsdatascience.com/facebooks-prophet-deep-learning-neuralprophet-76796aed1d86

往期精彩回顧




適合初學(xué)者入門人工智能的路線及資料下載
機器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印
機器學(xué)習(xí)在線手冊
深度學(xué)習(xí)筆記專輯
《統(tǒng)計學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專輯
AI基礎(chǔ)下載
機器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)專輯
黃海廣老師《機器學(xué)習(xí)課程》課件合集
本站qq群851320808，加入微信群請掃碼：