neuralforecast

尼克斯特拉

神經？預報

用戶友好的最先進的神經預測模型

NeuralForecast提供了大量的神經預測模型，重點是其性能，可用性和魯棒性。 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和TimeLLM 。

安裝

您可以使用NeuralForecast

 pip install neuralforecast

或者

 conda install - c conda - forge neuralforecast

訪問我們的安裝指南以獲取更多詳細信息。

快速開始

最小例子

 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 ()

開始此快速指南。

為什麼？

人們對神經預測方法的能力有著共同的信念，可以提高預測管道的準確性和效率。

不幸的是，可用的實施和已發表的研究尚未實現神經網絡的潛力。它們很難使用，並且在計算效率高的同時，無法通過統計方法進行改進。因此，我們創建了NeuralForecast ，這是一個偏愛側重於其可用性的準確有效模型的圖書館。

特徵

• 快速準確的實現30多個最先進的模型。請參閱此處的整個集合。
• 支持外源變量和靜態協變量。
• 趨勢，季節性和外源成分的解釋性方法。
• 概率預測，用於適配器，用於分位數損耗和參數分佈。
• 與規模依賴，百分比和比例獨立錯誤以及參數可能性相關的訓練和評估損失。
• 使用分佈式自動高參數調整的自動型號選擇。
• 熟悉的Sklearn語法： .fit和.predict 。

亮點

• 官方的NHITS實施，於2023年AAAI出版。請參閱論文和實驗。
• NBEATSx官方實施，發表在《國際預測雜誌》上。見紙。
• 與StatsForecast ， MLForecast和HierarchicalForecast接口NeuralForecast().fit(Y_df).predict() ，輸入和輸出統一。
• 與utilsforecast和coreforecast內置集成，用於可視化和數據包裹有效方法。
• 與Ray和Optuna集成自動超參數優化。
• 使用轉移學習幾乎沒有歷史的預測。在此處檢查實驗。

缺少什麼？請打開問題或寫信給我們

例子和指南

文檔頁麵包含所有示例和教程。

？自動超參數優化：使用Ray或Optuna上的Auto型號易於且可擴展的自動超參數優化。

？ 外源回歸者：如何納入天氣或價格（例如天氣或價格）的靜態或顳外源協變量。

？變壓器模型：學習如何使用許多最新的變壓器模型來預測。

？分層預測：預測序列很少，非零觀察結果。

？ ‍？添加您自己的模型：了解如何在庫中添加新模型。

型號

請參閱此處的整個集合。

缺少模型？請打開問題或寫信給我們

如何貢獻

如果您想為該項目做出貢獻，請參閱我們的貢獻指南。

參考

這項工作受到以前撰稿人和其他學者在此提出的神經預測方法的奇妙工作的影響。我們想強調鮑里斯·奧雷甚金（Boris Oreshkin），斯拉維克·史密斯（Slawek Smyl），布萊恩·林（Bryan Lim）和大衛·薩利納斯（David Salinas）的作品。我們指的是Benidis等。有關神經預測方法的全面調查。

貢獻者

謝謝這些好人（表情符號鑰匙）：

阿祖爾 ？	克里斯蒂安鄉村人 ？	何塞·莫拉萊斯（JoséMorales） ？	Mergenthaler	親屬 ？ ？	格雷格·德沃斯（Greg Devos） ？	亞歷杭德羅
Stefanialvs ？	Ikko Ashimine ？	vglaucus ？	Pietro Monticone ？

該項目遵循全企業規範。歡迎任何形式的貢獻！