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-Net建模时间序列自相关（也称为序列相关）
- 自定义损失和指标
- 具有前馈神经网络的可配置非线性层，
- 等等
项目维护者
基于该项目的GitHub页面，该项目的主要维护者是斯坦福大学的Oskar Triebe，Facebook和莫纳什大学的合作。
安装
该项目处于测试阶段，因此，如果您要在生产环境中使用此库，我建议您谨慎使用。
不幸的是，在撰写本文时，该库没有pip或conda软件包。只能通过克隆存储库并运行pip install。来安装它。但是，如果要在Jupyter Notebook环境中使用该软件包，则应安装其实时版本pip install . 这将提供更多功能，例如使用plot_live_loss（）实时训练和验证损失。
gitclonehttps://github.com/ourownstory/neural_prophetcdneural_prophetpipinstall .[live]
我建议创建一个新环境（conda或venv），并从新环境安装NeuralProphet软件包，让安装程序处理所有依赖项（它具有Pandas，Jupyter Notebook，PyTorch作为依赖项）。
现在我们已经安装了软件包，让我们开始吧！
案例分析实践
在这里，我使用在Kaggle上的2013年至2017年德里的每日气候数据。首先，让我们导入主要包。
importpandasaspdfromneuralprophetimportNeuralProphet
然后，我们可以将数据读取到Panda DataFrame中。NeuralProphet对象期望时间序列数据具有一个名为ds的日期列，而我们希望将其预测为y。
#Dataisfromhttps://www.kaggle.com/sumanthvrao/daily-climate-time-series-datadf=pd.read_csv("./DailyDelhiClimateTrain.csv", parse_dates=["date"]) df=df[["date", "meantemp"]] df.rename(columns={"date": "ds", "meantemp": "y"}, inplace=True)
现在，让我们初始化模型，为NeuralProphet对象定义的所有默认参数，包括有关某些参数的其他信息。这些是您可以在模型中配置的超参数。当然，如果您打算使用默认变量，则只需执行model = NeuralProphet（）。
#model=NeuralProphet() ifyou're using default variables below.model = NeuralProphet(growth="linear", # Determine trend types: 'linear', 'discontinuous', 'off'changepoints=None, # list of dates that may include change points (None -> automatic )n_changepoints=5,changepoints_range=0.8,trend_reg=0,trend_reg_threshold=False,yearly_seasonality="auto",weekly_seasonality="auto",daily_seasonality="auto",seasonality_mode="additive",seasonality_reg=0,n_forecasts=1,n_lags=0,num_hidden_layers=0,d_hidden=None, # Dimension of hidden layers of AR-Netar_sparsity=None, # Sparcity in the AR coefficientslearning_rate=None,epochs=40,loss_func="Huber",normalize="auto", # Type of normalization ('minmax', 'standardize', 'soft', 'off')impute_missing=True,log_level=None, # Determines the logging level of the logger object)
配置模型及其超参数后，我们需要训练模型并进行预测。让我们对温度进行一年的预测。
metrics=model.fit(df, validate_each_epoch=True, freq="D") future=model.make_future_dataframe(df, periods=365, n_historic_predictions=len(df)) forecast=model.predict(future)
您可以通过调用model.plot（forecast）来简单地绘制预测，如下所示：
fig, ax=plt.subplots(figsize=(14, 10)) model.plot(forecast, xlabel="Date", ylabel="Temp", ax=ax) ax.set_title("Mean Temperature in Delhi", fontsize=28, fontweight="bold")
上面显示了一年的预测图，其中从2017-01-01到2018-01-01之间的时间段是预测。可以看出，预测图类似于历史时间序列。它既捕获了季节性，又捕获了线性趋势的缓慢增长。
也可以通过调用model.plot_parameters（）来绘制参数。
使用平均绝对误差（MAE）的模型损失如下图所示。您也可以使用“平滑的L1损失”功能。
fig, ax=plt.subplots(figsize=(14, 10)) ax.plot(metrics["MAE"], 'ob', linewidth=6, label="Training Loss") ax.plot(metrics["MAE_val"], '-r', linewidth=2, label="Validation Loss") #Youcanusemetrics["SmoothL1Loss"] andmetrics["SmoothL1Loss_val"] too.
总结
在本文中，我们讨论了NeuralProphet，这是一个基于神经网络对时间序列进行建模的python库。该库使用PyTorch作为后端。作为案例研究，我们为德里的每日气候时间序列数据创建了一个预测模型，并进行了一年的预测。使用此库的一个优点是其语法与Facebook的Prophet库类似。
您可以在GitHub上找到此博客文章的Jupyter笔记本。谢谢阅读！
https://github.com/e-alizadeh/medium/blob/master/notebooks/NeuralProphet/neural_prophet.ipynb
