【时间序列】时序工具包之NeuralProphet-CSDN博客

kaggle竞赛宝典干货

作者：杰少

NeuralProphet

简介

几乎绝大多数做时间序列的朋友都了解Facebook的Prophet模型，因为其在准确性、可解释性等方面有着良好的性能，而且可以为用户自动化许多元素（如超参数选择或特征工程），因而它获得了广泛的应用。本文我们介绍一个最新的NeuralProphet时，从名字就可以看出，这个是神经网络和Prophet的结合，与传统的黑盒NN不同，本文我们就介绍的NeuralProphet模型集成了Prophet的所有优点，不仅具有不错的可解释性，还有优于Prophet的预测性能。

NeuralProphet

Prophet

Prophet如果认为是基本自回归的扩展（除了使用lagged的目标值，还对输入变量使用傅立叶变换，这使得我们可以通过调模型拿到更好的结果）。

Prophet可以使用额外的信息，不仅仅是target的延迟值；
模型能融入节假日信息；
可以自动检测趋势的变化；

NeuralProphet

和许多黑盒子的NN不同，NeuralProphet保留了Prophet的所有优势，同时，通过引入改进的后端（Pytorch代替Stan）和使用自回归网络（AR网络），将神经网络的可扩展性与AR模型的可解释性结合起来，提高其准确性和可扩展性。

AR网络——它是一个单层网络，经过训练可以模拟时间序列信号中的AR过程，但规模比传统模型大得多。

NeuralProphet VS Prophet

NeuralProphet使用PyTorch的梯度下降进行优化，使得建模速度更快；
利用自回归网络对时间序列自相关进行建模；
滞后回归器使用单独的前馈神经网络建模；
NeuralProphet具有可配置的前馈神经网络的非线性深层；
模型可调整到特定的预测范围（大于1）；
提供自定义的损失函数和度量策略；

代码

1.数据读取

# !pip install neuralprophet
import pandas as pd
from fbprophet import Prophet
from neuralprophet import NeuralProphet
from sklearn.metrics import mean_squared_error

# plotting
import matplotlib.pyplot as plt

# settings
plt.style.use('seaborn')
plt.rcParams["figure.figsize"] = (16, 8)
df = pd.read_csv('./data/wp_log_peyton_manning.csv')
print(f'The dataset contains {len(df)} observations.')
df.head()

The dataset contains 2905 observations.

	ds	y
0	2007-12-10	9.590761
1	2007-12-11	8.519590
2	2007-12-12	8.183677
3	2007-12-13	8.072467
4	2007-12-14	7.893572

df.plot(x='ds', y='y', title='Log daily page views');

2.Prophet预测


test_length = 365
df_train = df.iloc[:-test_length]
df_test = df.iloc[-test_length:]

prophet_model = Prophet()
prophet_model.fit(df_train)
future_df = prophet_model.make_future_dataframe(periods=test_length)
preds_df_1 = prophet_model.predict(future_df)
prophet_model.plot_components(preds_df_1);

prophet_model.plot(preds_df_1);

3. NeuralProphet

nprophet_model = NeuralProphet()
metrics = nprophet_model.fit(df_train, freq="D")
future_df = nprophet_model.make_future_dataframe(df_train, 
                                                 periods = test_length, 
                                                 n_historic_predictions=len(df_train))
preds_df_2 = nprophet_model.predict(future_df)
nprophet_model.plot(preds_df_2);

4.效果比较

NeuralProphet的效果比Prophet好了很多。

df_test['prophet'] = preds_df_1.iloc[-test_length:].loc[:, 'yhat']
df_test['neural_prophet'] = preds_df_2.iloc[-test_length:].loc[:, 'yhat1']
df_test.set_index('ds', inplace=True)

print('MSE comparison ----')
print(f"Prophet:\t{mean_squared_error(df_test['y'], preds_df_1.iloc[-test_length:]['yhat']):.4f}")
print(f"NeuralProphet:\t{mean_squared_error(df_test['y'], preds_df_2.iloc[-test_length:]['yhat1']):.4f}")

MSE comparison ----
Prophet:	0.3576
NeuralProphet:	0.3057

小结

NeuralProphet在时间序列预测的效果上面一般会比Prophet好很多，在遇到时间序列问题的时候强烈建议大家尝试一下。

参考文献

https://towardsdatascience.com/facebooks-prophet-deep-learning-neuralprophet-76796aed1d86

建议阅读：

高考失利之后，属于我的大学本科四年

【资源分享】对于时间序列，你所能做的一切.

【时空序列预测第一篇】什么是时空序列问题？这类问题主要应用了哪些模型？主要应用在哪些领域？

【AI蜗牛车出品】手把手AI项目、时空序列、时间序列、白话机器学习、pytorch修炼

公众号：AI蜗牛车

保持谦逊、保持自律、保持进步



个人微信
备注：昵称+学校/公司+方向
如果没有备注不拉群！
拉你进AI蜗牛车交流群