neuralforecast

NIXTLA

Neural? Pronóstico

Modelos de pronóstico neuronal de última generación

NeuralForecast ofrece una gran colección de modelos de pronóstico neuronal que se centran en su rendimiento, usabilidad y robustez. 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 y TimeLLM .

Instalación

Puede instalar NeuralForecast con:

 pip install neuralforecast

o

 conda install - c conda - forge neuralforecast

Vista nuestra guía de instalación para obtener más detalles.

Comienzo rápido

Ejemplo mínimo

 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 ()

Comience con esta guía rápida.

¿Por qué?

Existe una creencia compartida en la capacidad de los métodos de pronóstico neuronal para mejorar la precisión y eficiencia de la tubería de pronóstico.

Desafortunadamente, las implementaciones disponibles y la investigación publicada aún no han realizado el potencial de las redes neuronales. Son difíciles de usar y no pueden mejorar continuamente los métodos estadísticos mientras son computacionalmente prohibitivos. Por esta razón, creamos NeuralForecast , una biblioteca que favorece modelos precisos y eficientes comprobados que se centran en su usabilidad.

Características

• Implementaciones rápidas y precisas de más de 30 modelos de última generación. Vea la colección completa aquí.
• Soporte para variables exógenas y covariables estáticas.
• Métodos de interpretabilidad para tendencia, estacionalidad y componentes exógenos.
• Previsión probabilística con adaptadores para pérdidas cuantiles y distribuciones paramétricas.
• Pérdidas de trenes y evaluación con errores independientes dependientes de la escala, porcentaje y escala, y probabilidades paramétricas.
• Selección automática del modelo con ajuste automático de hiperparámetro automático distribuido.
• Sintaxis familiar de Sklearn: .fit y .predict .

Reflejos

• Implementación oficial NHITS , publicada en AAAI 2023. Ver documento y experimentos.
• Implementación oficial NBEATSx , publicada en el International Journal of Prevasting. Ver papel.
• Unificado con StatsForecast , MLForecast e Interfaz HierarchicalForecast de Interfaz NeuralForecast().fit(Y_df).predict() , entradas y salidas.
• Integraciones incorporadas con utilsforecast y coreforecast para visualización y métodos eficientes de rango de datos.
• Integraciones con Ray y Optuna para la optimización automática de hiperparameter.
• Predecir con poco o ningún historial utilizando el aprendizaje de transferencia. Consulte los experimentos aquí.

¿Te falta algo? Abra un problema o escríbanos en

Ejemplos y guías

La página de documentación contiene todos los ejemplos y tutoriales.

? Optimización automática de hiperparameter: optimización automática de hiperparameter automática fácil y escalable con modelos Auto en Ray u Optuna .

? ️ Regresores exógenos: cómo incorporar covariables exógenas estáticas o temporales como el clima o los precios.

? Modelos de transformadores: aprenda a pronosticar con muchos modelos de transformadores de última generación.

? Pronóstico jerárquico: serie de pronóstico con muy pocas observaciones distintas de cero.

? ‍? Agregue su propio modelo: aprenda cómo agregar un nuevo modelo a la biblioteca.

Modelos

Vea la colección completa aquí.

¿Te falta un modelo? Abra un problema o escríbanos en

Cómo contribuir

Si desea contribuir al proyecto, consulte nuestras pautas de contribución.

Referencias

Este trabajo está muy influenciado por el fantástico trabajo de los contribuyentes anteriores y otros académicos sobre los métodos de pronóstico neuronal presentados aquí. Queremos resaltar el trabajo de Boris Oreshkin, Slawek Smyl, Bryan Lim y David Salinas. Nos referimos a Benidis et al. para una encuesta integral de métodos de pronóstico neuronal.

Colaboradores

Gracias a estas maravillosas personas (Key Emoji):

azul ?	Cristian Challu ?	José Morales ?	femenino	Familiares ? ?	Greg Devos ?	Alejandro
stefanialvs ?	Ikko Ashimine ?	vglaucus ?	Pietro Monticona ?

Este proyecto sigue la especificación de todos los contribuyentes. ¡Contribuciones de cualquier tipo bienvenido!