【时间序列】时序工具包之NeuralProphet

﹏ヽ暗。殇╰゛Y 2022-09-11 03:25 364阅读 0赞

kaggle竞赛宝典干货

**作者：杰少**

NeuralProphet

简介

![d27ef08d2d5dd98e0a5d31820ed06ece.png][]

## 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

![7af06e023b0b2f01a615716aafb0439f.png][]

Prophet

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；

NeuralProphet

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 VS Prophet

*  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

![d2021cbfe1469900f6a398851939852c.png][]

### 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');

![9899677e56ce96b8125fe8f1a4b8acd4.png][]

### 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);

**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);

![c060d9f233d1942f2981d8b9b63400d3.png][]

### 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

![ac0984665413f48a1078d96b95c4c905.png][]

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

![43de1bc482f0af58fb13d117293aa5e7.png][]

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

**建议阅读：**

**[高考失利之后，属于我的大学本科四年][Link 1]**

[**【资源分享】对于时间序列，你所能做的一切.**][.]

[**【时空序列预测第一篇】什么是时空序列问题？这类问题主要应用了哪些模型？主要应用在哪些领域？**][Link 2]

[**【AI蜗牛车出品】手把手AI项目、时空序列、时间序列、白话机器学习、pytorch修炼**][AI_AI_pytorch]

公众号：AI蜗牛车
    
    保持谦逊、保持自律、保持进步
    
    
    
    个人微信
    备注：昵称+学校/公司+方向
    如果没有备注不拉群！
    拉你进AI蜗牛车交流群

[d27ef08d2d5dd98e0a5d31820ed06ece.png]: /images/20220828/52d1f952235a4ca2a6956dbb776e3335.png
[7af06e023b0b2f01a615716aafb0439f.png]: /images/20220828/832d7cd38c9d414699817c567a553883.png
[d2021cbfe1469900f6a398851939852c.png]: /images/20220828/1ee98024c8ef43b9a132d5ef461c81ba.png
[9899677e56ce96b8125fe8f1a4b8acd4.png]: /images/20220828/10a69801777046eb96d02e5d3e60d17a.png
[c060d9f233d1942f2981d8b9b63400d3.png]: /images/20220828/de9fb75151714c1faa99e7f7e55911e4.png
[ac0984665413f48a1078d96b95c4c905.png]: /images/20220828/176c571a983b4975aca197e9625dcc14.png
[43de1bc482f0af58fb13d117293aa5e7.png]: /images/20220828/ba96c4a63fb54c9aa9be82a0f6b94782.png
[Link 1]: http://mp.weixin.qq.com/s?__biz=MzA4ODUxNjUzMQ%3D%3D&chksm=9029a749a75e2e5fde587cf68ab729deaa3a6c2ec952e288af747c1591df1416c24c9a9bcd1a&idx=1&mid=2247488917&scene=21&sn=6b0a24a219f861bd146366b25f710beb#wechat_redirect
[.]: http://mp.weixin.qq.com/s?__biz=MzA4ODUxNjUzMQ%3D%3D&chksm=9029b4cda75e3ddb7cb31a55ed528f386b3adcba3a077d6344f4c868f19bac1185a58cb262f8&idx=1&mid=2247484945&scene=21&sn=d3b302099848ad3549a395750b9da2bf#wechat_redirect
[Link 2]: http://mp.weixin.qq.com/s?__biz=MzA4ODUxNjUzMQ%3D%3D&chksm=9029b7fba75e3eed7d9e647994cae086ee483c1e55d386a92d385e3648f0ce715097f2c33a62&idx=1&mid=2247484711&scene=21&sn=c4187946d58e277a45512d3146d4f062#wechat_redirect
[AI_AI_pytorch]: http://mp.weixin.qq.com/s?__biz=MzA4ODUxNjUzMQ%3D%3D&chksm=9029afcba75e26dd76bd9263b4cf22a9ef3e1538f90008bc64867f52a7b2705bdeaf526d4b37&idx=1&mid=2247490839&scene=21&sn=d9d0a9fad6efb225a92deafd80a2838d#wechat_redirect