neuralforecast

นิกซ์ลา

ระบบประสาท? พยากรณ์

รูปแบบการพยากรณ์ระบบประสาทที่ทันสมัย

NeuralForecast นำเสนอรูปแบบการพยากรณ์ระบบประสาทจำนวนมากที่มุ่งเน้นไปที่ประสิทธิภาพการใช้งานและความทนทาน โมเดลมีตั้งแต่เครือข่ายคลาส MLPMultivariate ก TSMixerx RNNs NBEATS NHITS หม้อแปลง NLinear TSMixer MLP TiDE LSTM FedFormer GRU , RNN , TCN , TimesNet , BiTCN PatchTST DeepAR AutoFormer NBEATSx , DeepNPTS , Informer , DLinear , TFT , iTransformer , StemGNN และ TimeLLM

การติดตั้ง

คุณสามารถติดตั้ง NeuralForecast ด้วย:

 pip install neuralforecast

หรือ

 conda install - c conda - forge neuralforecast

Vist คู่มือการติดตั้งของเราสำหรับรายละเอียดเพิ่มเติม

เริ่มต้นอย่างรวดเร็ว

ตัวอย่างน้อยที่สุด

 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 ()

เริ่มต้นด้วยคู่มือด่วนนี้

ทำไม

มีความเชื่อร่วมกันในความสามารถในการพยากรณ์ระบบประสาทเพื่อปรับปรุงการพยากรณ์ความแม่นยำและประสิทธิภาพของท่อ

น่าเสียดายที่การใช้งานที่มีอยู่และการวิจัยที่ตีพิมพ์ยังไม่ได้ตระหนักถึงศักยภาพของเครือข่ายประสาท พวกเขายากที่จะใช้และล้มเหลวอย่างต่อเนื่องในการปรับปรุงวิธีการทางสถิติในขณะที่การคำนวณการคำนวณ ด้วยเหตุนี้เราจึงสร้าง NeuralForecast ซึ่งเป็นห้องสมุดที่ได้รับการพิสูจน์แล้วว่ามีโมเดลที่ถูกต้องและมีประสิทธิภาพซึ่งมุ่งเน้นไปที่การใช้งาน

คุณสมบัติ

• การใช้งานที่รวดเร็วและแม่นยำของโมเดลที่ทันสมัยมากกว่า 30 รุ่น ดูคอลเลกชันทั้งหมดที่นี่
• สนับสนุนตัวแปรภายนอกและ covariates แบบคงที่
• วิธีการตีความสำหรับแนวโน้มฤดูกาลและส่วนประกอบภายนอก
• การพยากรณ์ความน่าจะเป็นด้วยอะแดปเตอร์สำหรับการสูญเสียควอนไทล์และการแจกแจงแบบพารามิเตอร์
• การฝึกอบรมและการประเมินผลการสูญเสียที่ขึ้นอยู่กับสเกลเปอร์เซ็นต์และข้อผิดพลาดที่เป็นอิสระและความน่าจะเป็นพารามิเตอร์
• การเลือกรุ่นอัตโนมัติพร้อมการปรับจูนพารามิเตอร์อัตโนมัติแบบกระจาย
• ไวยากรณ์ Sklearn ที่คุ้นเคย: .fit และ .predict

ไฮไลท์

• การดำเนินการอย่างเป็นทางการ NHITS ตีพิมพ์ที่ AAAI 2023 ดูกระดาษและการทดลอง
• การดำเนินการอย่างเป็นทางการ NBEATSx ตีพิมพ์ที่วารสารการพยากรณ์ระหว่างประเทศ ดูกระดาษ
• Unified ด้วย StatsForecast , MLForecast และ HierarchicalForecast interface NeuralForecast().fit(Y_df).predict() , อินพุตและเอาต์พุต
• การบูรณาการในตัวกับ utilsforecast และ coreforecast สำหรับการสร้างภาพข้อมูลและวิธีการที่มีประสิทธิภาพ
• การรวมเข้ากับ Ray และ Optuna สำหรับการเพิ่มประสิทธิภาพไฮเปอร์พารามิเตอร์อัตโนมัติ
• ทำนายโดยใช้ประวัติเล็กน้อยถึงไม่มีเลยโดยใช้การเรียนรู้การถ่ายโอน ตรวจสอบการทดลองที่นี่

ขาดอะไรไป? กรุณาเปิดปัญหาหรือเขียนถึงเรา

ตัวอย่างและไกด์

หน้าเอกสารมีตัวอย่างและบทช่วยสอนทั้งหมด

- การเพิ่มประสิทธิภาพพารามิเตอร์ hyperparameter อัตโนมัติ: การเพิ่มประสิทธิภาพแบบไฮเปอร์พารามิเตอร์อัตโนมัติที่ง่ายและปรับขนาดได้พร้อมรุ่น Auto บน Ray หรือ Optuna

ed regressors ภายนอก: วิธีการรวม covariates ภายนอกหรือชั่วคราวเช่นสภาพอากาศหรือราคา

- โมเดลหม้อแปลง: เรียนรู้วิธีการพยากรณ์ด้วยโมเดลหม้อแปลงไฟฟ้าที่ทันสมัยมากมาย

- การพยากรณ์ลำดับชั้น: ชุดพยากรณ์ที่มีการสังเกตที่ไม่เป็นศูนย์น้อยมาก

?? เพิ่มโมเดลของคุณเอง: เรียนรู้วิธีเพิ่มโมเดลใหม่ในไลบรารี

แบบจำลอง

ดูคอลเลกชันทั้งหมดที่นี่

ไม่มีโมเดล? กรุณาเปิดปัญหาหรือเขียนถึงเรา

วิธีการมีส่วนร่วม

หากคุณต้องการมีส่วนร่วมในโครงการโปรดดูแนวทางการสนับสนุนของเรา

การอ้างอิง

งานนี้ได้รับอิทธิพลอย่างมากจากผลงานที่ยอดเยี่ยมของผู้มีส่วนร่วมก่อนหน้านี้และนักวิชาการอื่น ๆ เกี่ยวกับวิธีการพยากรณ์ระบบประสาทที่นำเสนอที่นี่ เราต้องการเน้นผลงานของ Boris Oreshkin, Slawek Smyl, Bryan Lim และ David Salinas เราอ้างถึง Benidis และคณะ สำหรับการสำรวจวิธีการพยากรณ์ระบบประสาทที่ครอบคลุม

ผู้มีส่วนร่วม

ขอบคุณไปที่คนที่ยอดเยี่ยมเหล่านี้ (คีย์อีโมจิ):

Azul -	Christian Challu -	José Morales -	เมอร์เจนเกลเลอร์	ญาติ - -	Greg DeVos -	Alejandro
Stefanialvs -	Ikko Ashimine -	vglaucus -	Pietro Monticone -

โครงการนี้เป็นไปตามข้อกำหนดทั้งหมดของผู้เข้าร่วม การมีส่วนร่วมทุกชนิดยินดีต้อนรับ!