neuralforecast

Никстла

Нейронный? Прогноз

Удаленные современные модели прогнозирования нейронного прогноза

Neuralforecast предлагает большую коллекцию моделей нейронного прогнозирования, посвященные их производительности, удобству использования и надежности. 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 и TimeLLM .

Установка

Вы можете установить NeuralForecast с:

 pip install neuralforecast

или

 conda install - c conda - forge neuralforecast

Обратитесь к нашему руководству по установке для получения более подробной информации.

Быстрый старт

Минимальный пример

 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 ()

Начните с этим быстрым гидом.

Почему?

Существует общее убеждение в способности методов прогнозирования нейронного прогнозирования к повышению точности и эффективности прогнозирования трубопровода.

К сожалению, доступные реализации и опубликованные исследования еще не реализовали потенциал нейронных сетей. Они трудно использовать и постоянно не могут улучшаться по сравнению с статистическими методами, одновременно будучи вычислительными. По этой причине мы создали NeuralForecast , библиотеку, способствующую доказанным точным и эффективным моделям, ориентированным на их удобство использования.

Функции

• Быстрая и точная реализация более 30 современных моделей. Смотрите всю коллекцию здесь.
• Поддержка экзогенных переменных и статических ковариат.
• Методы интерпретации для тенденции, сезонности и экзогенных компонентов.
• Вероятностное прогнозирование с адаптерами для потери квантиля и параметрических распределений.
• Потеря поезда и оценки с масштабными, процентными и независимыми масштабными ошибками и параметрическими вероятностьми.
• Автоматический выбор модели с распределенной автоматической настройкой гиперпараметров.
• Знакомый синтаксис Sklearn: .fit и .predict .

Основные моменты

• Официальная реализация NHITS , опубликованная в AAAI 2023. См. Документ и эксперименты.
• Официальная реализация NBEATSx , опубликованная в Международном журнале прогнозирования. Смотрите бумагу.
• Объединяется с StatsForecast , MLForecast и HierarchicalForecast интерфейсом NeuralForecast().fit(Y_df).predict() , входы и выходы.
• Встроенные интеграции с utilsforecast и coreforecast для визуализации и эффективных методов сбора данных.
• Интеграции с Ray и Optuna для автоматической оптимизации гиперпараметрических.
• Прогнозируйте практически без историей, используя трансферное обучение. Проверьте эксперименты здесь.

Что -то не хватает? Пожалуйста, откройте проблему или напишите нам в

Примеры и гиды

Страница документации содержит все примеры и учебные пособия.

? Автоматическая оптимизация гиперпараметров: легкая и масштабируемая автоматическая оптимизация гиперпараметрических моделей с помощью Auto на Ray или Optuna .

️ экзогенные регрессоры: как включить статические или временные экзогенные ковариаты, такие как погода или цены.

? Модели трансформатора: узнайте, как прогнозировать со многими современными моделями трансформаторов.

? Иерархическое прогнозирование: серия прогнозов с очень небольшим количеством ненулевых наблюдений.

? ‍? Добавьте свою собственную модель: Узнайте, как добавить новую модель в библиотеку.

Модели

Смотрите всю коллекцию здесь.

Пропал модель? Пожалуйста, откройте проблему или напишите нам в

Как внести свой вклад

Если вы хотите внести свой вклад в проект, пожалуйста, обратитесь к нашим руководящим принципам взноса.

Ссылки

На эту работу сильно влияет фантастическая работа предыдущих участников и других ученых по методам нейронного прогнозирования, представленных здесь. Мы хотим подчеркнуть работу Бориса Орешкина, Славека Смила, Брайана Лим и Дэвида Салинаса. Мы ссылаемся на Benidis et al. Для комплексного обследования методов нейронного прогнозирования.

Участники

Спасибо этим замечательным людям (ключ эмодзи):

Азул ?	Кристиан Чаллу ?	Хосе Моралес ?	Мергенталер	Родственник ? ?	Грег ДеВос ?	Алехандро
Stefanialvs ?	Икко Ашимин ?	Vglaucus ?	ПИТРО МОНТИТАН ?

Этот проект следует за спецификацией всех контролей. Взносы любого вида приветствуются!