Python系列文章-NeuralProphet时间序列预测包使用

背景

NeuralProphet之一：安装与使用

论文PDF： NeuralProphet: Explainable Forecasting at Scale 文档地址：https://neuralprophet.com/html/contents.html
数据地址：https://github.com/ourownstory/neuralprophet-data
示例地址：https://github.com/ourownstory/neural_prophet/tree/main/tutorials

1 概述
NeuralProphet模型集成了Prophet的所有优点，不仅具有不错的可解释性，还有优于Prophet的预测性能。

使用PyTorch作为后端进行优化的梯度下降法。
使用AR-Net对时间序列的自相关进行建模。
使用seepearate前馈神经网络对滞后回归者进行建模。
可配置的FFNNs非线性深层。
可调整到特定的预测范围（大于1）。
自定义损失和指标。
2 安装
pip install neuralprophet
1.
3 使用
导入包：

from neuralprophet import
1.
调用：

m = NeuralProphet()
metrics = m.fit(df)
forecast = m.predict(df)
1.
2.
3.
可视化结果：

fig_forecast = m.plot(forecast)
fig_components = m.plot_components(forecast)
fig_model = m.plot_parameters()
1.
2.
3.
预测：

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)

超参数

https://blog.51cto.com/shanglianlm/5605590

https://zhuanlan.zhihu.com/p/333210630

Parameter	Default Value	说明	备注
growth	linear
changepoints	None	手动设置改变点
n_changepoints	5	控制趋势灵活度
changepoints_range	0.8	默认值0.8，表示后20%的训练数据无changepoints
trend_reg	0	趋势正则项
trend_reg_threshold	False
yearly_seasonality	auto	默认6
weekly_seasonality	auto	默认 4
daily_seasonality	auto	默认6
seasonality_mode	additive		additive，multiplicative
seasonality_reg	0	值越大正则约束越大	0.1-1或者1-100
n_forecasts	1	预测范围，1意味着将来预测一步
n_lags	0	定义是否使用AR-Net，n_lags决定AR-Net回看步数，建议取值大于n_forecasts
num_hidden_layers	0	定义FFNNs的隐藏层数，0意味着只有一个隐藏层	0，1，2
d_hidden	None	隐藏层的单元数，如果未指定，默认为n_lags + n_forecasts	n_lags 和 n_forecasts 之间
ar_sparsity	None	0完全稀疏，1无正则约束	0-1
learning_rate	None	如果未指定，自动调整
epochs	None	如果未指定，根据数据大小设定
batch_size	None
loss_func	Huber	如果未指定，根据数据大小设定	Huber， MSE，torch.nn.modules.loss
optimizer	AdamW		AdamW，SDG
train_speed	None
normalize	auto	min-max normalization
impute_missing	True	惩罚缺失值
collect_metrics	True	默认计算mae 和 rmse

参考文献及资料

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

https://github.com/ourownstory/neural_prophet/tree/main/tutorials

目录

背景

超参数

参考文献及资料