Fork me on GitHub

翻译系列文章-NeuralProphet-可解释的大规模预测

发表于 | 更新于 | 分类于 | | 阅读次数：
本文字数： 1.7k | 阅读时长 ≈ 2 分钟

目录

  • 背景

  • 第一部分 第一个项目

  • 第二部分 总结

  • 参考文献及资料

摘要

本位介绍了Neural Prophet，它是 Facebook Prophet 的继任者，它设定了行业标准用于可解释、可扩展和用户友好的预测框架。随着时间序列数据的增长，可解释的预测仍然是业务和运营决策指定中的一项具有挑战性的任务。需要混合解决方案来弥合可解释的经典方法之间的差距和可扩展的深度学习模型。我们将 Prophet 视为这种解决方案的先驱。然而，Prophet 缺乏当地背景，这对于预测近期未来至关重要且具有挑战性由于其 Stan 后端而扩展。

NeuralProphet 是一个基于 PyTorch 并经过标准训练的混合预测框架深度学习方法，使开发人员可以轻松扩展框架。本地环境引入了自回归和协变量模块，可以配置为经典线性回归或作为神经网络。否则NeuralProphet 保留了设计理念Prophet 并提供相同的基本模型组件。

我们的结果表明，NeuralProphet 产生可解释的预测成分在一组生成的时间序列上与 Prophet 相当或更高的质量。 NeuralProphet 表现出色Prophet 对真实世界数据集的多样化集合。对于中短期预测，NeuralProphet 将预测准确性提高了 55% 到 92%。

关键字：Explainable, Forecasting, Neural networks, Time series, Deep learning

介绍

1.1 背景

时间序列数据在大多数工业领域都很重要，虽然在

1
2
3
时间序列数据在大多数工业领域都很突出。虽然在理论上进行了广泛研究
和经济等应用，工业应用中的实际预测尚未收到
直到最近才受到广泛关注。

参考文献及资料

1、官网介绍：https://github.com/ourownstory/neural_prophet

0%