neuralforecast

Nixtla

Neural? Vorhersage

Benutzerfreundliche hochmoderne neuronale Prognosemodelle

NeuralForeCast bietet eine große Sammlung neuronaler Prognosemodelle, die sich auf ihre Leistung, Benutzerfreundlichkeit und Robustheit konzentrieren. The models range from classic networks like RNNs to the latest transformers: MLP , LSTM , GRU , RNN , TCN , TimesNet , BiTCN , DeepAR , NBEATS , NBEATSx , NHITS , TiDE , DeepNPTS , TSMixer , TSMixerx , MLPMultivariate , DLinear , NLinear , TFT , Informer , AutoFormer , FedFormer , PatchTST , iTransformer , StemGNN und TimeLLM .

Installation

Sie können NeuralForecast mit:

 pip install neuralforecast

oder

 conda install - c conda - forge neuralforecast

Setzen Sie unseren Installationshandbuch für weitere Details aus.

Schneller Start

Minimales Beispiel

 from neuralforecast import NeuralForecast
from neuralforecast . models import NBEATS
from neuralforecast . utils import AirPassengersDF

nf = NeuralForecast (
    models = [ NBEATS ( input_size = 24 , h = 12 , max_steps = 100 )],
    freq = 'M'
)

nf . fit ( df = AirPassengersDF )
nf . predict ()

Beginnen Sie mit dieser schnellen Anleitung.

Warum?

Es besteht die gemeinsame Überzeugung der Kapazität der neuronalen Prognosemethoden zur Verbesserung der Genauigkeit und Effizienz der Prognosepipeline.

Leider sind verfügbare Implementierungen und veröffentlichte Forschungsergebnisse noch nicht, dass das Potenzial der neuronalen Netze ausgeht. Sie sind schwer zu bedienen und verbessern sich kontinuierlich nicht über statistische Methoden, während sie rechnerisch unerschwinglich sind. Aus diesem Grund haben wir NeuralForecast erstellt, eine Bibliothek, die bewährte und effiziente Modelle begünstigt, die sich auf ihre Benutzerfreundlichkeit konzentrieren.

Merkmale

• Schnelle und genaue Implementierungen von mehr als 30 hochmodernen Modellen. Siehe die gesamte Sammlung hier.
• Unterstützung von exogenen Variablen und statischen Kovariaten.
• Interpretierbarkeitsmethoden für Trend, Saisonalität und exogene Komponenten.
• Probabilistische Prognose mit Adaptern für quantile Verluste und parametrische Verteilungen.
• Zug- und Bewertungsverluste mit skalierungsabhängigen, prozentualen und skalierten unabhängigen Fehlern und parametrischen Wahrscheinlichkeiten.
• Automatische Modellauswahl mit verteilter automatischer Hyperparameter -Abstimmung.
• Vertraute Sklearn -Syntax: .fit und .predict .

Highlights

• Offizielle NHITS -Implementierung, veröffentlicht bei AAAI 2023. Siehe Papier und Experimente.
• Offizielle NBEATSx -Implementierung, veröffentlicht im International Journal of Prognosen. Siehe Papier.
• Unified mit StatsForecast , MLForecast und HierarchicalForecast Interface NeuralForecast().fit(Y_df).predict() , Eingänge und Ausgänge.
• Integrierte Integrationen mit utilsforecast und coreforecast für Visualisierung und datenschreibere effiziente Methoden.
• Integrationen mit Ray und Optuna zur automatischen Hyperparameteroptimierung.
• Vorhersage mit wenig bis gar keiner Geschichte mit Übertragungslernen. Überprüfen Sie die Experimente hier.

Etwas vermissen? Bitte öffnen Sie ein Problem oder schreiben Sie uns in

Beispiele und Führer

Die Dokumentationsseite enthält alle Beispiele und Tutorials.

? Automatische Hyperparameteroptimierung: Einfache und skalierbare automatische Hyperparameteroptimierung mit Auto auf Ray oder Optuna .

"Exogene Regressoren": Wie man statische oder zeitliche exogene Kovariaten wie Wetter oder Preise einbezieht.

? Transformatormodelle: Erfahren Sie, wie Sie mit vielen hochmodernen Transformatorenmodellen prognostizieren.

? Hierarchische Prognose: Prognoseserien mit sehr wenigen Beobachtungen ohne Null.

? ‍? Fügen Sie Ihr eigenes Modell hinzu: Erfahren Sie, wie Sie der Bibliothek ein neues Modell hinzufügen.

Modelle

Siehe die gesamte Sammlung hier.

Ein Modell fehlen? Bitte öffnen Sie ein Problem oder schreiben Sie uns in

Wie man beiträgt

Wenn Sie zum Projekt beitragen möchten, lesen Sie bitte unsere Beitragsrichtlinien.

Referenzen

Diese Arbeit wird stark von der fantastischen Arbeit früherer Mitarbeiter und anderer Wissenschaftler zu den hier vorgestellten neuronalen Prognosemethoden beeinflusst. Wir wollen die Arbeit von Boris Oreshkin, Slawek Smyl, Bryan Lim und David Salinas hervorheben. Wir beziehen uns auf Benidis et al. Für eine umfassende Übersicht über neuronale Prognosemethoden.

Mitwirkende

Vielen Dank an diese wunderbaren Menschen (Emoji -Schlüssel):

Azul ?	Cristian Challu ?	José Morales ?	Mergenthaler	Verwandtschaft ? ?	Greg Devos ?	Alejandro
Stefanialvs ?	Ikko Ashimine ?	vglaucus ?	Pietro Monticon ?

Dieses Projekt folgt der All-Contributors-Spezifikation. Beiträge jeglicher Art willkommen!