【机器学习】NeuralProphet，这个时序工具包也太强了吧...

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（如超参数选择或特征工程），因而它获得了广泛的应用。本文我们介绍一个最新的NeuralProphet时，从名字就可以看出，这个是神经网络和Prophet的结合，与传统的黑盒NN不同，本文我们就介绍的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。

NeuralProphet

Prophet如果认为是基本自回归的扩展（除了使用lagged的目标值，还对输入变量使用傅立叶变换，这使得我们可以通过调模型拿到更好的结果）。

• Prophet可以使用额外的信息，不仅仅是target的延迟值；
• 模型能融入节假日信息；
• 可以自动检测趋势的变化；

和许多黑盒子的NN不同，NeuralProphet保留了Prophet的所有优势，同时，通过引入改进的后端（Pytorch代替Stan）和使用自回归网络（AR网络），将神经网络的可扩展性与AR模型的可解释性结合起来，提高其准确性和可扩展性。

• AR网络——它是一个单层网络，经过训练可以模拟时间序列信号中的AR过程，但规模比传统模型大得多。

• NeuralProphet使用PyTorch的梯度下降进行优化，使得建模速度更快；
• 利用自回归网络对时间序列自相关进行建模；
• 滞后回归器使用单独的前馈神经网络建模；
• NeuralProphet具有可配置的前馈神经网络的非线性深层；
• 模型可调整到特定的预测范围（大于1）；
• 提供自定义的损失函数和度量策略；

代码

1.数据读取

# !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.

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

2.Prophet预测

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);

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.效果比较

• 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

小结

NeuralProphet在时间序列预测的效果上面一般会比Prophet好很多，在遇到时间序列问题的时候强烈建议大家尝试一下。

参考文献

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

往期精彩


    
回顾




适合初学者入门人工智能的路线及资料下载
机器学习及深度学习笔记等资料打印
机器学习在线手册



    
深度学习笔记专辑
《统计学习方法》的代码复现专辑
AI基础下载
机器学习的数学基础专辑
黄海广老师《机器学习课程》课件合集
本站qq群851320808，加入微信群请扫码：