neuralforecast

Nixtla

Neural? Previsão

Modelos de previsão neural de última geração amigáveis

O NeuralForecast oferece uma grande coleção de modelos de previsão neural com foco em seu desempenho, usabilidade e 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 e TimeLLM .

Instalação

Você pode instalar NeuralForecast com:

 pip install neuralforecast

ou

 conda install - c conda - forge neuralforecast

Vista nosso guia de instalação para obter mais detalhes.

Início rápido

Exemplo 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 ()

Comece com este guia rápido.

Por que?

Existe uma crença compartilhada na capacidade dos métodos de previsão neural de melhorar a precisão e a eficiência do pipeline de previsão.

Infelizmente, as implementações disponíveis e a pesquisa publicada ainda não perceberam o potencial das redes neurais. Eles são difíceis de usar e continuamente falham em melhorar os métodos estatísticos, sendo computacionalmente proibitivos. Por esse motivo, criamos NeuralForecast , uma biblioteca que favorece modelos comprovados precisos e eficientes com foco em sua usabilidade.

Características

• Implementações rápidas e precisas de mais de 30 modelos de última geração. Veja a coleção inteira aqui.
• Apoio a variáveis exógenas e covariáveis estáticas.
• Métodos de interpretação para tendência, sazonalidade e componentes exógenos.
• Previsão probabilística com adaptadores para perdas quantil e distribuições paramétricas.
• Perdas de trem e avaliação com erros independentes de dependente, porcentagem e escala e probabilidades paramétricas.
• Seleção automática de modelos com ajuste automático de hiperparâmetro distribuído.
• Familiar Sklearn Sintaxe: .fit e .predict .

Destaques

• A implementação oficial NHITS , publicada na AAAI 2023. Ver papel e experimentos.
• A implementação oficial NBEATSx , publicada no International Journal of Prevising. Veja papel.
• Unificado com StatsForecast , MLForecast e HierarchicalForecast interface NeuralForecast().fit(Y_df).predict() , entradas e saídas.
• Integrações internas com utilsforecast e coreforecast para visualização e métodos eficientes eficientes.
• Integrações com Ray e Optuna para otimização automática de hiperparâmetro.
• Prever com pouco ou nenhuma história usando o aprendizado de transferência. Verifique os experimentos aqui.

Faltando alguma coisa? Por favor, abra um problema ou nos escreva em

Exemplos e guias

A página de documentação contém todos os exemplos e tutoriais.

? Otimização automática de hiperparâmetro: otimização automática de hiperparâmetro automática fácil e escalável com modelos Auto em Ray ou Optuna .

? Resgressores exógenos: como incorporar covariáveis exógenos estáticos ou temporais, como clima ou preços.

? Modelos de transformadores: Aprenda a prever com muitos modelos de transformadores de última geração.

? Previsão hierárquica: séries de previsão com muito poucas observações diferentes de zero.

? ‍? Adicione seu próprio modelo: Aprenda a adicionar um novo modelo à biblioteca.

Modelos

Veja a coleção inteira aqui.

Faltando um modelo? Por favor, abra um problema ou nos escreva em

Como contribuir

Se você deseja contribuir para o projeto, consulte nossas diretrizes de contribuição.

Referências

Este trabalho é altamente influenciado pelo trabalho fantástico de colaboradores anteriores e outros estudiosos sobre os métodos de previsão neural apresentados aqui. Queremos destacar o trabalho de Boris Oreshkin, Slawek Smyl, Bryan Lim e David Salinas. Nós nos referimos a Benidis et al. Para uma pesquisa abrangente de métodos de previsão neural.

Colaboradores

Obrigado a essas pessoas maravilhosas (key emoji):

Azul ?	Cristian Chall ?	José Morales ?	Mergenthaler	Parente ? ?	Greg DeVos ?	Alejandro
Stefanialvs ?	Ikko Ashimine ?	vglaucus ?	Pietro Monticone ?

Este projeto segue a especificação de todos os contribuintes. Contribuições de qualquer tipo de boas -vindas!