neuralforecast

Nixtla

Saraf? Ramalan

Model peramalan saraf canggih yang ramah pengguna

NeuralForecast menawarkan koleksi besar model peramalan saraf yang berfokus pada kinerja, kegunaan, dan ketahanannya. 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 , dan TimeLLM .

Instalasi

Anda dapat menginstal NeuralForecast dengan:

 pip install neuralforecast

atau

 conda install - c conda - forge neuralforecast

Vist Panduan Instalasi kami untuk perincian lebih lanjut.

Awal yang cepat

Contoh 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 ()

Mulailah dengan panduan cepat ini.

Mengapa?

Ada kepercayaan bersama dalam kapasitas metode peramalan saraf untuk meningkatkan akurasi dan efisiensi pipa peramalan.

Sayangnya, implementasi yang tersedia dan penelitian yang diterbitkan belum mewujudkan potensi jaringan saraf. Mereka sulit digunakan dan terus gagal untuk meningkatkan metode statistik sambil menjadi penghalang secara komputasi. Untuk alasan ini, kami menciptakan NeuralForecast , perpustakaan yang mendukung model yang terbukti akurat dan efisien yang berfokus pada kegunaannya.

Fitur

• Implementasi cepat dan akurat dari lebih dari 30 model canggih. Lihat seluruh koleksi di sini.
• Dukungan untuk variabel eksogen dan kovariat statis.
• Metode interpretabilitas untuk tren, musiman dan komponen eksogen.
• Peramalan probabilistik dengan adaptor untuk kerugian kuantil dan distribusi parametrik.
• Kerugian melatih dan evaluasi dengan kesalahan tergantung skala, persentase dan skala, dan kemungkinan parametrik.
• Pemilihan model otomatis dengan penyetelan hiperparameter otomatis terdistribusi.
• Sintaks SKLEARN yang akrab: .fit dan .predict .

Highlight

• Implementasi resmi NHITS , diterbitkan di AAAI 2023. Lihat Makalah dan Eksperimen.
• Implementasi resmi NBEATSx , diterbitkan di International Journal of Forecasting. Lihat kertas.
• Disatukan dengan StatsForecast , MLForecast , dan antarmuka HierarchicalForecast NeuralForecast().fit(Y_df).predict() , input dan output.
• Integrasi built-in dengan utilsforecast dan coreforecast untuk visualisasi dan metode efisien data yang menggantung.
• Integrasi dengan Ray dan Optuna untuk optimasi hiperparameter otomatis.
• Memprediksi dengan sedikit atau tanpa sejarah menggunakan pembelajaran transfer. Periksa eksperimen di sini.

Melewatkan sesuatu? Harap buka masalah atau tuliskan kami

Contoh dan Panduan

Halaman dokumentasi berisi semua contoh dan tutorial.

? Optimalisasi Hyperparameter Otomatis: Optimalisasi Hyperparameter Otomatis Mudah dan Dapat Diukur dengan Model Auto pada Ray atau Optuna .

? ️ Regressor eksogen: Bagaimana menggabungkan kovariat eksogen statis atau temporal seperti cuaca atau harga.

? Model Transformer: Pelajari cara meramalkan dengan banyak model transformator canggih.

? Peramalan Hierarkis: Seri Prakiraan dengan sangat sedikit pengamatan non-nol.

? ‍? Tambahkan model Anda sendiri: Pelajari cara menambahkan model baru ke perpustakaan.

Model

Lihat seluruh koleksi di sini.

Kehilangan model? Harap buka masalah atau tuliskan kami

Bagaimana berkontribusi

Jika Anda ingin berkontribusi pada proyek, silakan merujuk ke pedoman kontribusi kami.

Referensi

Pekerjaan ini sangat dipengaruhi oleh karya fantastis dari kontributor sebelumnya dan cendekiawan lain tentang metode peramalan saraf yang disajikan di sini. Kami ingin menyoroti karya Boris Oreshkin, Slawek Smyl, Bryan Lim, dan David Salinas. Kami merujuk pada Benidis et al. Untuk survei komprehensif metode peramalan saraf.

Kontributor

Terima kasih kepada orang -orang yang luar biasa ini (Kunci Emoji):

Azul ?	Cristian Challu ?	José Morales ?	Mergenthaler	Kerabat ? ?	Greg Devos ?	Alejandro
stefanialvs ?	Ikko Ashimine ?	vglaucus ?	Pietro Monticone ?

Proyek ini mengikuti spesifikasi semua-kontributor. Kontribusi apa pun yang baik!