pytorch ts

Pytorchts

Pytorchts เป็นกรอบการพยากรณ์เวลาของ Pytorch Pytorch ซึ่งให้แบบจำลองอนุกรมเวลา Pytorch ที่ทันสมัยโดยใช้ Gluonts เป็น API แบ็คเอนด์และสำหรับการโหลดการแปลงและชุดข้อมูลอนุกรมเวลาทดสอบย้อนกลับ

การติดตั้ง

 $ pip3 install pytorchts

เริ่มต้นอย่างรวดเร็ว

ที่นี่เราเน้นการเปลี่ยนแปลง API ผ่าน Gluonts ReadMe

 import matplotlib . pyplot as plt
import pandas as pd
import torch

from gluonts . dataset . common import ListDataset
from gluonts . dataset . util import to_pandas

from pts . model . deepar import DeepAREstimator
from pts import Trainer

ตัวอย่างง่ายๆนี้แสดงวิธีการฝึกอบรมแบบจำลองข้อมูลบางอย่างจากนั้นใช้เพื่อทำการคาดการณ์ เป็นขั้นตอนแรกเราต้องรวบรวมข้อมูลบางอย่าง: ในตัวอย่างนี้เราจะใช้ปริมาณทวีตที่กล่าวถึงสัญลักษณ์ Ticker AMZN

 url = "https://raw.githubusercontent.com/numenta/NAB/master/data/realTweets/Twitter_volume_AMZN.csv"
df = pd . read_csv ( url , header = 0 , index_col = 0 , parse_dates = True )

จุดข้อมูล 100 จุดแรกมีลักษณะดังนี้:

 df [: 100 ]. plot ( linewidth = 2 )
plt . grid ( which = 'both' )
plt . show ()

ตอนนี้เราสามารถเตรียมชุดข้อมูลการฝึกอบรมสำหรับแบบจำลองของเราเพื่อฝึกอบรม ชุดข้อมูลเป็นคอลเลกชันที่ทำซ้ำได้ของพจนานุกรม: แต่ละพจนานุกรมแสดงถึงอนุกรมเวลาที่มีคุณสมบัติที่เกี่ยวข้อง สำหรับตัวอย่างนี้เรามีเพียงรายการเดียวที่ระบุโดยฟิลด์ "start" ซึ่งเป็นเวลาเวลาของจุดข้อมูลแรกและฟิลด์ "target" ที่มีข้อมูลอนุกรมเวลา สำหรับการฝึกอบรมเราจะใช้ข้อมูลจนถึงเที่ยงคืนของวันที่ 5 เมษายน 2558

 training_data = ListDataset (
    [{ "start" : df . index [ 0 ], "target" : df . value [: "2015-04-05 00:00:00" ]}],
    freq = "5min"
)

รูปแบบการพยากรณ์เป็นวัตถุ ทำนาย วิธีหนึ่งในการรับตัวทำนายคือการฝึกอบรมตัวประมาณผู้สื่อข่าว อินสแตนซ์อินสแตนซ์ตัวประมาณต้องระบุความถี่ของอนุกรมเวลาที่จะจัดการเช่นเดียวกับจำนวนขั้นตอนเวลาในการทำนาย ในตัวอย่างของเราเราใช้ข้อมูล 5 นาทีดังนั้น req="5min" และเราจะฝึกอบรมแบบจำลองเพื่อทำนายชั่วโมงถัดไปดังนั้น prediction_length=12 อินพุตไปยังรุ่นจะเป็นเวกเตอร์ของขนาด input_size=43 ในแต่ละช่วงเวลา นอกจากนี้เรายังระบุตัวเลือกการฝึกอบรมขั้นต่ำในการฝึกอบรมโดยเฉพาะบน device สำหรับ epoch=10

 device = torch . device ( "cuda" if torch . cuda . is_available () else "cpu" )

estimator = DeepAREstimator ( freq = "5min" ,
                            prediction_length = 12 ,
                            input_size = 19 ,
                            trainer = Trainer ( epochs = 10 ,
                                            device = device ))
predictor = estimator . train ( training_data = training_data , num_workers = 4 )

    45it [00:01, 37.60it/s, avg_epoch_loss=4.64, epoch=0]
    48it [00:01, 39.56it/s, avg_epoch_loss=4.2, epoch=1] 
    45it [00:01, 38.11it/s, avg_epoch_loss=4.1, epoch=2] 
    43it [00:01, 36.29it/s, avg_epoch_loss=4.05, epoch=3]
    44it [00:01, 35.98it/s, avg_epoch_loss=4.03, epoch=4]
    48it [00:01, 39.48it/s, avg_epoch_loss=4.01, epoch=5]
    48it [00:01, 38.65it/s, avg_epoch_loss=4, epoch=6]   
    46it [00:01, 37.12it/s, avg_epoch_loss=3.99, epoch=7]
    48it [00:01, 38.86it/s, avg_epoch_loss=3.98, epoch=8]
    48it [00:01, 39.49it/s, avg_epoch_loss=3.97, epoch=9]

ในระหว่างการฝึกอบรมข้อมูลที่เป็นประโยชน์เกี่ยวกับความคืบหน้าจะปรากฏขึ้น หากต้องการรับภาพรวมเต็มรูปแบบของตัวเลือกที่มีอยู่โปรดดูที่ซอร์สโค้ดของ DeepAREstimator (หรือตัวประมาณอื่น ๆ ) และ Trainer

ตอนนี้เราพร้อมที่จะคาดการณ์: เราจะคาดการณ์ชั่วโมงหลังจากเที่ยงคืนของวันที่ 15 เมษายน 2015

 test_data = ListDataset (
    [{ "start" : df . index [ 0 ], "target" : df . value [: "2015-04-15 00:00:00" ]}],
    freq = "5min"
)

 for test_entry , forecast in zip ( test_data , predictor . predict ( test_data )):
    to_pandas ( test_entry )[ - 60 :]. plot ( linewidth = 2 )
    forecast . plot ( color = 'g' , prediction_intervals = [ 50.0 , 90.0 ])
plt . grid ( which = 'both' )

โปรดทราบว่าการคาดการณ์จะแสดงในแง่ของการกระจายความน่าจะเป็น: พื้นที่แรเงาแสดงถึงช่วงเวลาการทำนาย 50% และ 90% ตามลำดับโดยมีศูนย์กลางอยู่ที่ค่ามัธยฐาน (เส้นสีเขียวเข้ม)

การพัฒนา

 pip install -e .
pytest test

การอ้าง

เพื่ออ้างถึงที่เก็บนี้:

@software{pytorchgithub,
    author = {Kashif Rasul},
    title = {{P}yTorch{TS}},
    url = {https://github.com/zalandoresearch/pytorch-ts},
    version = {0.6.x},
    year = {2021},
}

บทความทางวิทยาศาสตร์

เราได้ใช้โมเดลต่อไปนี้โดยใช้เฟรมเวิร์กนี้:

• การพยากรณ์เวลาอนุกรมเวลาที่น่าจะเป็นแบบหลายตัวแปรผ่านการไหลของการปรับสภาพปกติ

@INPROCEEDINGS{rasul2020tempflow,
  author = {Kashif Rasul and  Abdul-Saboor Sheikh and  Ingmar Schuster and Urs Bergmann and Roland Vollgraf},
  title = {{M}ultivariate {P}robabilistic {T}ime {S}eries {F}orecasting via {C}onditioned {N}ormalizing {F}lows},
  year = {2021},
  url = {https://openreview.net/forum?id=WiGQBFuVRv},
  booktitle = {International Conference on Learning Representations 2021},
}

• แบบจำลองการแพร่กระจายแบบอัตโนมัติแบบอัตโนมัติสำหรับการพยากรณ์อนุกรมเวลาหลายตัวแปรหลายตัวแปร

@InProceedings{pmlr-v139-rasul21a,
  title = 	 {{A}utoregressive {D}enoising {D}iffusion {M}odels for {M}ultivariate {P}robabilistic {T}ime {S}eries {F}orecasting},
  author =       {Rasul, Kashif and Seward, Calvin and Schuster, Ingmar and Vollgraf, Roland},
  booktitle = 	 {Proceedings of the 38th International Conference on Machine Learning},
  pages = 	 {8857--8868},
  year = 	 {2021},
  editor = 	 {Meila, Marina and Zhang, Tong},
  volume = 	 {139},
  series = 	 {Proceedings of Machine Learning Research},
  month = 	 {18--24 Jul},
  publisher =    {PMLR},
  pdf = 	 {http://proceedings.mlr.press/v139/rasul21a/rasul21a.pdf},
  url = 	 {http://proceedings.mlr.press/v139/rasul21a.html},
}

• การพยากรณ์อนุกรมเวลาที่น่าจะเป็นด้วยเครือข่ายควอนไทล์โดยปริยาย

@misc{gouttes2021probabilistic,
      title={{P}robabilistic {T}ime {S}eries {F}orecasting with {I}mplicit {Q}uantile {N}etworks}, 
      author={Adèle Gouttes and Kashif Rasul and Mateusz Koren and Johannes Stephan and Tofigh Naghibi},
      year={2021},
      eprint={2107.03743},
      archivePrefix={arXiv},
      primaryClass={cs.LG}
}