使用深度学习模型的时序预测套件
项目描述
Nixtla 
Neural 🧠 Forecast
用户友好的最先进的神经预测模型
NeuralForecast 提供了一系列关注性能、可用性和鲁棒性的神经网络预测模型。这些模型从经典的网络如 RNN 到最新的变压器：MLP、LSTM、GRU、RNN、TCN、TimesNet、BiTCN、DeepAR、NBEATS、NBEATSx、NHITS、TiDE、DeepNPTS、TSMixer、TSMixerx、MLPMultivariate、DLinear、NLinear、TFT、Informer、AutoFormer、FedFormer、PatchTST、iTransformer、StemGNN 和 TimeLLM。
安装
您可以使用以下方式安装 NeuralForecast:
pip install neuralforecast
或
conda install -c conda-forge neuralforecast
访问我们的安装指南以获取更多信息。
快速入门
最小示例
from neuralforecast import NeuralForecast
from neuralforecast.models import NBEATS
from neuralforecast.utils import AirPassengersDF
nf = NeuralForecast(
models = [NBEATS(input_size=24, h=12, max_steps=100)],
freq = 'M'
)
nf.fit(df=AirPassengersDF)
nf.predict()
使用此快速指南开始。
为什么？
人们普遍认为，神经网络预测方法可以提高预测管道的准确性和效率。
不幸的是，现有的实现和已发表的研究尚未实现神经网络的全部潜力。它们难以使用，并且在使用统计方法时持续失败，同时在计算上难以承受。因此，我们创建了 NeuralForecast，这是一个侧重于易用性的、经过验证的准确且高效的模型库。
功能
- 超过 30 个最先进模型的快速和准确实现。请在此处查看整个集合。
- 支持外生变量和静态协变量。
- 趋势、季节性和外生成分的可解释性方法。
- 具有分位数损失和参数分布适配器的概率预测。
- 具有与比例相关的、百分比和与比例无关的错误以及参数似然度的训练和评估损失。
- 具有分布式自动超参数调整的自动模型选择。
- 熟悉 sklearn 语法：
.fit和.predict。
亮点
- 官方
NHITS实现，于 2023 年 AAAI 发表。见论文和实验。 - 官方
NBEATSx实现，发表于《国际预测杂志》。见论文。 - 与
StatsForecast、MLForecast和HierarchicalForecast接口统一，使用NeuralForecast().fit(Y_df).predict()，输入和输出。 - 内置与
utilsforecast和coreforecast的集成，用于可视化和方法高效的数据处理。 - 与
Ray和Optuna的集成，用于自动超参数优化。 - 使用迁移学习进行预测，几乎不需要历史数据。请在此处查看实验这里。
缺少什么？请打开一个问题或给我们写信
示例和指南
文档页面包含所有示例和教程这里。
📈 自动超参数优化：使用 Auto 模型在 Ray 或 Optuna 上进行简单且可扩展的超参数优化。
🌡️ 外生回归器：了解如何结合静态或时间外生协变量，如天气或价格。
🔌 Transformer 模型：学习如何使用许多最先进的 Transformer 模型进行预测。
👑 分层预测：预测具有非常少非零观测值的序列。
👩🔬 添加您的模型：学习如何将新模型添加到库中。
模型
请在此处查看完整收藏。
缺少模型？请创建一个
如何贡献
如果您想为项目贡献力量，请参阅我们的贡献指南。
参考文献
这项工作深受先前贡献者和其他学者在所展示的神经预测方法方面出色工作的启发。我们想突出Boris Oreshkin、Slawek Smyl、Bryan Lim和David Salinas的工作。我们参考了Benidis等人关于神经预测方法的全面综述Benidis et al.。
贡献者 ✨
感谢这些出色的人(emoji key)
 fede 💻 🚧 |
 Cristian Challu 💻 🚧 |
 José Morales 💻 🚧 |
 mergenthaler 📖 💻 |
 Kin 💻 🚧 |
 Greg DeVos 🤔 |
 Alejandro 💻 |
 stefanialvs 🎨 |
 Ikko Ashimine 🐛 |
 vglaucus 🐛 |
 Pietro Monticone 🐛 |
本项目遵循all-contributors规范。欢迎任何形式的贡献！
下载文件
下载适合您平台的文件。如果您不确定选择哪个，请了解更多关于安装包的信息。