NeuralProphet：基于神经网络的时间序列建模库

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plot_live_loss（）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.kaggle.com/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.