NeuralProphet之NeuralProphet部署

已于 2023-04-14 07:02:27 修改
阅读量392 收藏 6
点赞数 3
分类专栏： Prophet 文章标签： 机器学习 python pandas fbprophet prophet
于 2023-04-13 20:20:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_64338372/article/details/130139220
版权

NeuralProphet之八：NeuralProphet部署

将模型存储到本地，并在需要的时候将其导入。
新版本的neuralprophet/utils.py文件下实现了 save和load函数用于模型保存和加载。

模型保存

from neuralprophet import save
save(m, "neuralprophet_model.np")



模型读取

from neuralprophet import load
m = load("neuralprophet_model.np")


模型预测

future = m.make_future_dataframe(df=df, periods=365)
forecast = m.predict(df=future)

MqtGhj
关注
专栏目录
时间序列预测 | Python实现NeuralProphet模型时间序列预测
前程算法屋的博客
04-14 1978
时间序列预测 | Python实现NeuralProphet模型时间序列预测 目录时间序列预测 | Python实现NeuralProphet模型时间序列预测基本介绍程序设计总结 基本介绍 NeuralProphet的前辈Prophet并没有global 模型的概念，所以当我们用Prophet预测成千上万个产品的时候，我们就需要建立成千上万个模型。所以，当NeuralProphet提供global模型的思路时，这就在时序预测打开一片新天地了。 程序设计 这里我采用NeuralProphet 自带的数据
neuro_prophet：NeuralProphet-PyTorch中基于神经网络的简单预测模型
02-04
请注意，该项目仍处于测试阶段。 请报告您遇到的任何问题或建议。 我们将尽力Swift解决它们。 也欢迎捐款！ 神经先知 基于PyTorch的和启发的基于神经网络的时间序列模型。 文献资料 我们目前正在改进。 有关NeuralProphet的直观介绍，请查看的演讲。 讨论与帮助 讲解 有几个可以帮助您入门。 请参阅我们的以获取更多资源。 最小的例子 from neuralprophet import NeuralProphet 导入软件包后，可以在代码中使用NeuralProphet： m = NeuralProphet () metrics = m . fit ( df , freq
【时间序列】时序工具包之NeuralProphet
AI蜗牛车
09-12 2383
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...
NeuralProphet：人本主义的时间序列预测框架
gitblog_00609的博客
08-12 307
NeuralProphet：人本主义的时间序列预测框架 neural_prophetNeuralProphet: A simple forecasting package项目地址:https://gitcode.com/gh_mirrors/ne/neural_prophet 项目介绍 NeuralProphet 是一个易于学习的可解释时间序列预测框架。它建立在 PyTorch 之上，结合了神经...
NeuralProphet之一：安装与使用
mingo_敏
08-15 4035
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。梯度下降通过使用PyTorch作为后端进行优化。使用 AR-Net 对时间序列的自相关进行建模使用分离的前馈神经网络对滞后回归量进行建模。可配置的FFNN非线性深层。可调整为特定的预测范围（大于 1）。自定义损失和指标。.....................
neuralprophet，一个强大的 Python 库！
涛哥聊Python
03-02 1308
NeuralProphet是由Facebook开发的一个基于神经网络的时间序列预测库。它是Prophet库的进化版，结合了神经网络的强大能力和Prophet库的简单易用性。NeuralProphet库具有自适应性、灵活性和高性能的特点，可以用于预测各种类型的时间序列数据。NeuralProphet库作为一个强大的时间序列预测工具，结合了神经网络的强大能力和Prophet库的简单易用性，为时间序列数据的预测带来了新的可能性。通过本文的介绍，了解了NeuralProphet库的基本用法、功能特性和高级选项。
NeuralProphet之八：NeuralProphet部署
mingo_敏
08-30 1588
新版本的neuralprophet/utils.py文件下实现了 save和load函数用于模型保存和加载。NeuralProphet之八：NeuralProphet部署。将模型存储到本地，并在需要的时候将其导入。
neuralprophet
10-05
NeuralProphet是一种基于神经网络的时间序列预测库。它建立在Prophet模型的基础上，通过引入神经网络的灵活性和复杂性，提供了更加准确和灵活的预测能力。 NeuralProphet采用的模型结构是一个具有多个隐藏层的多层...
NeuralProphet LSTM
04-10
NeuralProphet是一个基于PyTorch的时间序列预测库，它提供了一种简单而强大的方法来进行时间序列的预测和分析。NeuralProphet中的LSTM（长短期记忆）是一种常用的神经网络模型，用于处理时间序列数据。 LSTM是一种...
如何在pycharm里安装neuralprophet
08-29
在PyCharm中安装NeuralProphet非常简单，只需按照以下步骤操作： 1. 打开PyCharm，并创建一个新的Python项目。 2. 打开终端或命令提示符，并确保当前Python环境是你项目所使用的环境。 3. 在终端中输入以下命令来...
【机器学习】NeuralProphet，这个时序工具包也太强了吧...
fengdu78的博客
08-09 4136
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（...
安装prophet
u010255214的博客
09-15 1064
1、创建一个新的环境 按照官网的做法，创建一个新的python环境 激活这个环境。 2、安装C++的编译工具 3、安装依赖库 4、安装pystan 居然安装好了，我的妈呀，这就是心动的感觉。 5、安装fbprophet 安装成功了。 ...
【论文阅读】NeuralProphet: Explainable Forecasting at Scale
qq_38142901的博客
05-12 1450
本文模型延续了prophet的可扩展，解释性强，与使用友好的优点，同时增加了神经网络部分（包括自回归网络与协变模块两种网络），与基于pytorch后端的实现可以随着深度学习算法的更新进行更新，这部分弥补了prophet模型对上下文信息利用的缺失（通常对近期未来预测有重要作用，非线性动态拟合差，以及prophet基于stan（统计概率编程语言）实现难以与深度学习模型进行结合以及更新扩展的问题。
【时间序列】NeuralProphet：Prophet的Pytorch实现！精度更高 预测更快 特性更多！...
fengdu78的博客
01-04 2961
NeuralProphet是受Prophet和AR-Net的启发，并建立在Pytorch上的强大继续模型。官网：https://neuralprophet.com/NeuralProphe...
Python NeuralProphet库: 高效时间序列预测的利器
涛哥聊Python
11-24 1559
NeuralProphet是一个功能强大的时间序列预测库，具有广泛的实际应用价值。通过实际应用案例，深入了解了NeuralProphet在电力需求预测等领域的应用，展示了其在处理多季节性因素的复杂时间序列数据时的卓越性能。在注意事项与最佳实践方面，强调了合理的数据批处理、多线程训练、GPU加速等策略，以及通过模型保存与加载提高效率的方法。
NeuralProphet中文文档
DesmondLMJ的博客
01-05 1735
说明 NeuralProphet是一个Facebook Prophet和AR-Net的启发，在PyTorch上构建的基于神经网络的时间序列模型，目前处于开发阶段。NeuralProphet是在一个完全模块化的架构中开发的，这使得它可以在未来添加任何额外的组件。我们的愿景是为用户开发一个简单易用的预测工具，同时保留Prophet的原始目标，如可解释性、可配置性，并通过使用PyTorch作为后端提供更多的功能，如自动差分功能。 本文档是对其官方文档的中文翻译。水平有限，如有翻译不当之处敬请指正！ 建议在语雀上
NeuralProphet：基于神经网络的时间序列建模库
热门推荐
deephub
12-07 1万+
NeuralProphet是一个python库，用于基于神经网络对时间序列数据进行建模。 它建立在PyTorch之上，并受到Facebook Prophet和AR-Net库的极大启发。 NeuralProphet 和 Prophet对比 从库名称中，您可能会问Facebook的Prophet库和NeuralProphet之间的主要区别是什么。 根据NeuralProphet的文档，增加的功能是[1]： 使用PyTorch的Gradient Descent进行优化，使建模过程比Prophet快得多 使用AR
python Flask+Neuralprophet搭建
LiyKer的博客
06-22 133
若失败则清除缓存 pip cache purge 后 重新安装。激活虚拟环境：venv\Scripts\activate。安装：pip install virtualenv。创建虚拟环境：virtualenv venv。安装：pip install Flask。创建项目：myFlaskProject。1.virtualenv 操作虚拟环境。退出虚拟环境：deactivate。3.安装Neuralprophet。创建 app.py文件 内容如下。在项目位置进入CMD终端。2.创建flask项目。
时间序列：Facebook→Prophet→NeuralProphet
yanghe4405的博客
06-05 924
Prophet是由Facebook开发的一种开源的时间序列预测模型。它基于加法模型，将时间序列数据拆分为趋势、季节性和假日效应，并利用回归方法对这些组成部分进行建模。Prophet具有以下特点：灵活性：Prophet可以处理具有多种时间尺度和季节性模式的时间序列数据，包括年度、季度、月度和日度模式。它能够自动检测和适应不同的季节性模式，并且可以处理缺失数据和异常值。可解释性：Prophet提供了对模型组成部分的解释，包括趋势、季节性和假日效应。这使得用户可以更好地理解和解释预测结果。
Prophet-NNAR 混合预测模型代码
最新发布
09-20
Prophet-NNAR是一种混合预测模型，它结合了Facebook的Prophet库和自回归神经网络（Neural Network AR, NNAR）技术。Prophet是一个强大的时间序列分析工具，特别适合有季节性和趋势变化的数据。而NNAR则通过深度学习的方式增强了模型对非线性和复杂性的适应能力。 在Python中，如果你想要实现这样一个模型，首先需要安装`fbprophet`和深度学习库如`Keras`或`PyTorch`。以下是一个简化版的示例，假设我们已经在环境中安装了这些库： ```python import pandas as pd from fbprophet import Prophet from keras.layers import Dense from sklearn.preprocessing import StandardScaler # 加载数据并准备Prophet部分 def prepare_prophet_data(df): df['ds'] = pd.to_datetime(df['ds']) df = df.set_index('ds') return df # 定义NNAR部分 def create_nn_ar_model(input_shape): model = Sequential() model.add(LSTM(units=50, input_shape=input_shape)) model.add(Dense(1)) # 输出一层，用于预测 model.compile(optimizer='adam', loss='mse') # 使用均方误差作为损失函数 return model # 结合两个模型 def prophet_nnar_forecast(data, prophet_steps, nnar_steps): # 准备Prophet部分 data_prophet = prepare_prophet_data(data) # 创建Prophet模型 m = Prophet() m.fit(data_prophet) # 进行Prophet预测 future = m.make_future_dataframe(periods=prophet_steps) forecast_prophet = m.predict(future) # 对原始数据进行标准化 scaler = StandardScaler() data_scaled = scaler.fit_transform(data.values) # 使用NNAR预测剩余部分 input_shape = (data_scaled.shape[0], 1) nnar_model = create_nn_ar_model(input_shape) forecast_nnar = nnar_model.predict(data_scaled[-nnar_steps:]) # 合并Prophet和NNAR预测结果 forecast = np.concatenate((forecast_prophet[['yhat']].tail(nnar_steps), forecast_nnar), axis=0) return forecast # 使用示例 data = ... # 假设你的时间序列数据在这里 forecast = prophet_nnar_forecast(data, prophet_steps=365, nnar_steps=90) # 设置Prophet和NNAR预测的时间步长
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值