neuralforecast

Nixtla

Neuronal? Prévision

Modèles de prévision neuronale de pointe conviviale

NeuralForEcast propose une grande collection de modèles de prévision neuronaux axés sur leurs performances, leur convivialité et leur robustesse. Les modèles vont des réseaux classiques comme DLinear RNN aux derniers transformateurs: MLP TFT LSTM , GRU , RNN FedFormer TCN , TimesNet , BiTCN , DeepAR Informer NBEATS AutoFormer NBEATSx , NHITS , TiDE , DeepNPTS , TSMixer , TSMixerx , MLPMultivariate , NLinear PatchTST , iTransformer , StemGNN et TimeLLM .

Installation

Vous pouvez installer NeuralForecast avec:

 pip install neuralforecast

ou

 conda install - c conda - forge neuralforecast

Vist notre guide d'installation pour plus de détails.

Démarrage rapide

Exemple minimal

 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 ()

Commencez avec ce guide rapide.

Pourquoi?

Il existe une croyance partagée dans la capacité des méthodes de prévision neuronale à améliorer la précision et l'efficacité du pipeline de prévision.

Malheureusement, les implémentations disponibles et les recherches publiées n'ont pas encore réalisé le potentiel des réseaux de neurones. Ils sont difficiles à utiliser et ne parviennent pas à s'améliorer en permanence par rapport aux méthodes statistiques tout en étant prohibitifs en calcul. Pour cette raison, nous avons créé NeuralForecast , une bibliothèque favorisant des modèles précis et efficaces axés sur leur convivialité.

Caractéristiques

• Implémentations rapides et précises de plus de 30 modèles de pointe. Voir toute la collection ici.
• Soutien aux variables exogènes et aux covariables statiques.
• Méthodes d'interprétabilité pour la tendance, la saisonnalité et les composants exogènes.
• Prévision probabiliste avec des adaptateurs pour les pertes quantiles et les distributions paramétriques.
• Pertes de train et d'évaluation avec des erreurs indépendantes en fonction de l'échelle, en pourcentage et en échelle, et des probabilités paramétriques.
• Sélection automatique du modèle avec réglage hyperparamètre automatique distribué.
• Syntaxe Sklearn familière: .fit et .predict .

Points forts

• Mise en œuvre officielle NHITS , publié à AAAI 2023. Voir l'article et les expériences.
• Implémentation officielle NBEATSx , publiée à l'International Journal of Forecasting. Voir le papier.
• Unified avec StatsForecast , MLForecast et HierarchicalForecast Interface NeuralForecast().fit(Y_df).predict() , entrées et sorties.
• Intégrations intégrées avec utilsforecast et coreforecast pour la visualisation et les méthodes efficaces de l'évolution des données.
• Intégrations avec Ray et Optuna pour l'optimisation automatique de l'hyperparamètre.
• Prédire avec peu ou pas d'historique en utilisant l'apprentissage du transfert. Vérifiez les expériences ici.

Manquer quelque chose? Veuillez ouvrir un problème ou nous écrire

Exemples et guides

La page de documentation contient tous les exemples et tutoriels.

? Optimisation automatique de l'hyperparamètre: optimisation automatique d'hyperparamètre facile et évolutive avec des modèles Auto sur Ray ou Optuna .

? ️ Régresseurs exogènes: comment incorporer des covariables exogènes statiques ou temporelles comme la météo ou les prix.

? Modèles de transformateurs: Apprenez à prévoir avec de nombreux modèles de transformateurs de pointe.

? Prévision hiérarchique: séries de prévisions avec très peu d'observations non nulles.

? ‍? Ajoutez votre propre modèle: apprenez à ajouter un nouveau modèle à la bibliothèque.

Modèles

Voir toute la collection ici.

Vous manquez un modèle? Veuillez ouvrir un problème ou nous écrire

Comment contribuer

Si vous souhaitez contribuer au projet, veuillez vous référer à nos directives de contribution.

Références

Ce travail est fortement influencé par le travail fantastique des contributeurs précédents et d'autres chercheurs sur les méthodes de prévision neuronales présentées ici. Nous voulons mettre en évidence le travail de Boris Oreshkin, Slawek Smyl, Bryan Lim et David Salinas. Nous nous référons à Benidis et al. Pour une étude complète des méthodes de prévision neuronales.

Contributeurs

Merci à ces gens merveilleux (clé emoji):

azul ?	Cristian Challu ?	José Morales ?	Mergenthaler	Proche ? ?	Greg DeVos ?	Alejandro
stefanialvs ?	Ikko Ashimine ?	vglaucus ?	Pietro Monticone ?

Ce projet suit les spécifications de tous les contributeurs. Contributions de toute nature bienvenue!