作者：杰少

NeuralProphet

簡介

幾乎絕大多數做時間序列的朋友都了解Facebook的Prophet模型，因為其在準確性、可解釋性等方面有著良好的性能，而且可以為用戶自動化許多元素（如超參數選擇或特征工程），因而它獲得了廣泛的應用。本文我們介紹一個最新的NeuralProphet時，從名字就可以看出，這個是神經網絡和Prophet的結合，與傳統的黑盒NN不同，本文我們就介紹的NeuralProphet模型集成了Prophet的所有優點，不僅具有不錯的可解釋性，還有優于Prophet的預測性能。

NeuralProphet

01

Prophet

Prophet如果認為是基本自回歸的擴展（除了使用lagged的目標值，還對輸入變量使用傅立葉變換，這使得我們可以通過調模型拿到更好的結果）。

• Prophet可以使用額外的信息，不僅僅是target的延遲值；

• 模型能融入節假日信息；

• 可以自動檢測趨勢的變化；

02

NeuralProphet

和許多黑盒子的NN不同，NeuralProphet保留了Prophet的所有優勢，同時，通過引入改進的后端（Pytorch代替Stan）和使用自回歸網絡（AR網絡），將神經網絡的可擴展性與AR模型的可解釋性結合起來，提高其準確性和可擴展性。

• AR網絡——它是一個單層網絡，經過訓練可以模擬時間序列信號中的AR過程，但規模比傳統模型大得多。

03

NeuralProphet VS Prophet

• NeuralProphet使用PyTorch的梯度下降進行優化，使得建模速度更快；

• 利用自回歸網絡對時間序列自相關進行建模；

• 滯后回歸器使用單獨的前饋神經網絡建模；

• NeuralProphet具有可配置的前饋神經網絡的非線性深層；

• 模型可調整到特定的預測范圍（大于1）；

• 提供自定義的損失函數和度量策略；

代碼

1.數據讀取

#?!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.
dsy01234

2007-12-10	9.590761
2007-12-11	8.519590
2007-12-12	8.183677
2007-12-13	8.072467
2007-12-14	7.893572

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

2.Prophet預測

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.效果比較

• 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

小結

NeuralProphet在時間序列預測的效果上面一般會比Prophet好很多，在遇到時間序列問題的時候強烈建議大家嘗試一下。

參考文獻

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

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統計學習方法》的代碼復現專輯 AI基礎下載機器學習的數學基礎專輯黃海廣老師《機器學習課程》課件合集 本站qq群851320808，加入微信群請掃碼：

總結

以上是生活随笔為你收集整理的【机器学习】NeuralProphet，这个时序工具包也太强了吧...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。