【時(shí)間序列】NeuralProphet：Prophet的Pytorch實(shí)現(xiàn)！精度更高 預(yù)測(cè)更快 特性更多！

NeuralProphet是受Prophet和AR-Net的啟發(fā)，并建立在Pytorch上的強(qiáng)大繼續(xù)模型。

官網(wǎng)：https://neuralprophet.com/

NeuralProphet功能

與Prophet相比，NeuralProphet具備的功能有：

• 通過(guò)使用PyTorch的深度學(xué)習(xí)完成優(yōu)化
• 使用AR-Net對(duì)時(shí)間序列的自相關(guān)建模
• 使用前饋神經(jīng)網(wǎng)絡(luò)對(duì)滯后建模
• 可自定義損失和指標(biāo)

同時(shí)也具備用戶友好Python接口：

from?neuralprophet?import?NeuralProphet
import?pandas?as?pd

df?=?pd.read_csv('toiletpaper_daily_sales.csv')
m?=?NeuralProphet()
metrics?=?m.fit(df,?freq="D")
forecast?=?m.predict(df)

特征1：自回歸模型

n_lags為NeuralProphet的參數(shù)，向AR-Net提供5個(gè)滯后并接收 3 個(gè)步驟作為預(yù)測(cè)：

m?=?NeuralProphet(
????n_forecasts=3,
????n_lags=5,
????yearly_seasonality=False,
????weekly_seasonality=False,
????daily_seasonality=False,
)

https://neuralprophet.com/html/auto-regression.html

特性2：滯后回歸模型

滯后回歸器僅AR-Net可用，并且需要指定n_lags值，調(diào)用add_lagged_regressor函數(shù)注冊(cè)這些滯后回歸量：

m?=?m.add_lagged_regressor(names='A')

https://neuralprophet.com/html/lagged-regressors.html

特性3：添加特殊事件

在預(yù)測(cè)問(wèn)題中需要考慮重復(fù)發(fā)生的特殊事件，可以以加法格式和乘法格式添加：

m?=?NeuralProphet(
????????n_forecasts=10,
????????yearly_seasonality=False,
????????weekly_seasonality=False,
????????daily_seasonality=False,
????)
m?=?m.add_events(["superbowl",?"playoff"])

https://neuralprophet.com/html/events.html

特性4：對(duì)未來(lái)進(jìn)行回歸

未來(lái)回歸量是具有已知未來(lái)值的外部變量，我們還需要提供回歸量的未來(lái)值：

df['A']?=?df['y'].rolling(7,?min_periods=1).mean()
df['B']?=?df['y'].rolling(30,?min_periods=1).mean()

m?=?NeuralProphet(
????????n_forecasts=10,
????????yearly_seasonality=False,
????????weekly_seasonality=False,
????????daily_seasonality=False,
????)

m?=?m.add_future_regressor(name='A')
m?=?m.add_future_regressor(name='B')

https://neuralprophet.com/html/future-regressors.html

與Prophet實(shí)驗(yàn)對(duì)比

訓(xùn)練時(shí)間

訓(xùn)練時(shí)間是Prophet的四倍，但預(yù)測(cè)非常快，上線部署如果有GPU更快！

模型選擇

數(shù)據(jù)量比較小、以及長(zhǎng)序列預(yù)測(cè)比較適合用Prophet，其他情況都可以無(wú)腦選擇NeuralProphet

具體精度