作者：杰少

NeuralProphet

簡(jiǎn)介

幾乎絕大多數(shù)做時(shí)間序列的朋友都了解Facebook的Prophet模型，因?yàn)槠湓跍?zhǔn)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(dòng)化許多元素（如超參數(shù)選擇或特征工程），因而它獲得了廣泛的應(yīng)用。本文我們介紹一個(gè)最新的NeuralProphet時(shí)，從名字就可以看出，這個(gè)是神經(jīng)網(wǎng)絡(luò)和Prophet的結(jié)合，與傳統(tǒng)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(yōu)點(diǎn)，不僅具有不錯(cuò)的可解釋性，還有優(yōu)于Prophet的預(yù)測(cè)性能。

NeuralProphet

01

Prophet

Prophet如果認(rèn)為是基本自回歸的擴(kuò)展（除了使用lagged的目標(biāo)值，還對(duì)輸入變量使用傅立葉變換，這使得我們可以通過調(diào)模型拿到更好的結(jié)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(jié)假日信息；

• 可以自動(dòng)檢測(cè)趨勢(shì)的變化；

02

NeuralProphet

和許多黑盒子的NN不同，NeuralProphet保留了Prophet的所有優(yōu)勢(shì)，同時(shí)，通過引入改進(jìn)的后端（Pytorch代替Stan）和使用自回歸網(wǎng)絡(luò)（AR網(wǎng)絡(luò)），將神經(jīng)網(wǎng)絡(luò)的可擴(kuò)展性與AR模型的可解釋性結(jié)合起來，提高其準(zhǔn)確性和可擴(kuò)展性。

• AR網(wǎng)絡(luò)——它是一個(gè)單層網(wǎng)絡(luò)，經(jīng)過訓(xùn)練可以模擬時(shí)間序列信號(hào)中的AR過程，但規(guī)模比傳統(tǒng)模型大得多。

03

NeuralProphet VS Prophet

• NeuralProphet使用PyTorch的梯度下降進(jìn)行優(yōu)化，使得建模速度更快；

• 利用自回歸網(wǎng)絡(luò)對(duì)時(shí)間序列自相關(guān)進(jìn)行建模；

• 滯后回歸器使用單獨(dú)的前饋神經(jīng)網(wǎng)絡(luò)建模；

• NeuralProphet具有可配置的前饋神經(jīng)網(wǎng)絡(luò)的非線性深層；

• 模型可調(diào)整到特定的預(yù)測(cè)范圍（大于1）；

• 提供自定義的損失函數(shù)和度量策略；

代碼

1.數(shù)據(jù)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(yù)測(cè)

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(jié)

NeuralProphet在時(shí)間序列預(yù)測(cè)的效果上面一般會(huì)比Prophet好很多，在遇到時(shí)間序列問題的時(shí)候強(qiáng)烈建議大家嘗試一下。

參考文獻(xiàn)

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

往期精彩回顧適合初學(xué)者入門人工智能的路線及資料下載機(jī)器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印機(jī)器學(xué)習(xí)在線手冊(cè)深度學(xué)習(xí)筆記專輯《統(tǒng)計(jì)學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專輯 AI基礎(chǔ)下載機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)專輯黃海廣老師《機(jī)器學(xué)習(xí)課程》課件合集 本站qq群851320808，加入微信群請(qǐng)掃碼：

總結(jié)

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?jī)?nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。