nbeats_forecast

神经节拍实现库

nbeats_forecast 是一个端到端的库，用于使用 N-BEATS 进行单变量时间序列预测（https://arxiv.org/pdf/1905.10437v3.pdf - 作为 ICLR 的会议论文发表）。该库使用 nbeats-pytorch ( https://github.com/philipperemy/n-beats ) 作为基础，并通过提供类似于 scikit-learn 和 keras 的界面来简化使用 N-BEATS 进行预测的任务。

必需：Python >=3.6

安装

$ pip install nbeats_forecast

进口

from nbeats_forecast import NBeats

输入

大小为 nx1 的 numpy 数组

输出

预测值作为大小为 mx1 的 numpy 数组

模型的强制参数：

• 数据
• period_to_forecast

只有强制参数的基本模型可用于获取预测值，如下所示：

将熊猫导入为 pd
from nbeats_forecast import NBeats

data  = pd.read_csv ( 'data.csv' )    
data  = data.values         #形状为 nx1 的单变量时间序列数据（numpy 数组）

模型 = NBeats (数据=数据, period_to_forecast = 12 ) 
model.fit ()
预测 = model.predict ()

可以调整模型对象的其他可选参数（如论文中所述）以获得更好的性能。如果未传递这些参数，则考虑下表中提到的默认值。

可选参数

方法

适合（时代，优化器，情节，详细）：

此方法用于针对模型对象中传递的梯度步数训练模型。

参数 - 纪元：整数

epoch 是 100 * 梯度步骤。25 epoch 意味着 2500 个权重更新步骤。如果未通过优化器，则默认值为 25。

参数 - 优化器

通过将 model.parameters 包含为变量，可以将 torch.optim 中的优化器作为参数传递。

例子：

model.fit(epoch=5,optimiser=torch.optim.AdamW(model.parameters, lr=0.001, betas=(0.9, 0.999), eps=1e-08, weight_decay=0.01, amsgrad=False))

如果未通过优化器，则使用的默认优化器是 Adam。

参数图：布尔值

默认值 - 假

如果为 True，则显示训练期间的图。

参数详细：布尔值

默认值 - 真

如果为 True，则打印训练详细信息。

预测（预测数据）：

参数 - predict_data（可选）：大小为 backcast_length x 1 的 numpy 数组

如果不传递predict_data，则返回的预测值将从训练期间fit()中传递的数据的最后一个值继续。

更新：

新增功能：

预测其他数据

传递 predict_data：

要从经过训练的模型中获取对其他一些数据的预测，请将 predict_data 作为形状 backcast_length x 1 的 numpy 数组传递（回溯长度的默认值为 3* preiod_to_forecast）。

例子：

您已经使用时间戳“13-12-2019 08:00:00”到“31-12-2019 08:00:00”的每小时温度数据 period_to_forecast=4 和 backcast_length=16 训练了一个温度预测模型。

现在您想使用经过训练的模型从时间戳“14-01-2020 17:00:00”预测温度。您需要将过去的数据作为 predict_data 传递，窗口等于 backcast_length（此处为 16）。在这里，您需要将值从“14-01-2020 01:00:00”传递到“14-01-2020 16:00:00”（此处为 16 个值）作为形状 backcast_length x 1 的 numpy 数组（此处为 16 x 1 ）。

返回预测值。

保存存档）：

训练后保存当前步骤模型。文件需要传递一个字符串。要保存的模型格式为.th

示例：model.save('model.th')

加载（文件，优化器）：

参数 - 文件

以 .th 格式加载保存的模型

参数 - 优化器

通过将 model.parameters 包含为变量，可以将 torch.optim 中的优化器作为参数传递。

示例：model.load('model.th')

以下示例

1. 此处显示了具有不同优化器和不同堆栈的模型。
2. 预测其他数据
3. 通过保存的文件继续训练或使用新数据重新训练（加载保存的模型并重新训练）
4. 加载保存的模型并使用数据进行预测

示例 1

此处显示了具有不同优化器和不同堆栈的模型。

这里使用 2：TREND_BLOCK 和 3：SEASONALITY_BLOCK 堆栈。

将熊猫导入为 pd
from nbeats_forecast import NBeats
从火炬进口优化

data  = pd.read_csv ( 'data.csv' )    
data  = data.values #形状为 nx1(numpy array) 的单变量时间序列数据

模型= NBeats (数据=数据,period_to_forecast = 12 ,stack =[ 2 ,3 ] ,nb_blocks_per_stack = 3 ,thetas_dims =[ 2 ,8 ])

model.fit ( epoch = 5 , optimiser = optim.AdamW ( model.parameters, lr = 0 .001, betas =( 0 .9, 0 .999 ) , eps = 1e-08, weight_decay = 0 .01, amsgrad =错误））

预测=模型.预测()

示例 2

使用 backcast_length=12 预测其他数据。

将熊猫导入为 pd
from nbeats_forecast import NBeats
从火炬进口优化

data  = pd.read_csv ( 'new_data.csv' )    
data  = data.values #形状为 nx1(numpy array) 的单变量时间序列数据

模型= NBeats (数据=数据,period_to_forecast = 12 ,stack =[ 2 ,3 ] ,nb_blocks_per_stack = 3 ,thetas_dims =[ 2 ,8 ]) 

模型.fit ()

list1 =[ 36 .7,38.5,39.4,36.75,38,39,38,37.45,38,39,39.5,40 ] 
pred = np.asarray ( list1 )

预测= model.predict ( predict_data = pred )

示例 3

通过保存的文件继续训练或使用新数据重新训练

将熊猫导入为 pd
from nbeats_forecast import NBeats
从火炬进口优化

new_datdata  = pd.read_csv ( 'new_data.csv' )    
data  = data.values #形状为 nx1(numpy array) 的单变量时间序列数据

model = NBeats ( data = data,period_to_forecast = 12 ,stack =[ 2 ,3 ] ,nb_blocks_per_stack = 3 ,thetas_dims =[ 2 ,8 ])  
# 使用与保存的模型相同的模型定义
model.load ( 'nbeats.th' ,优化器= optim.AdamW ( model.parameters, lr = 0 .001, betas =( 0 .9, 0 .999 ) , eps = 1e-08,weight_decay = 0 .01, amsgrad = False )) 
) 
model.fit ()


预测=模型.预测()

示例 4

加载保存的模型并使用数据进行预测

from nbeats_forecast import NBeats
将 numpy 导入为 np

# 使用与保存模型相同的模型定义
model = NBeats ( period_to_forecast = 4 ,stack =[ 2 ,3 ] ,nb_blocks_per_stack = 3 ,thetas_dims =[ 2 ,8 ]) 
模型加载（文件= ' 
nbeats.th ' ）

list1 =[ 36 .7,38.5,39.4,36.75,38,39,38,37.45,38,39,39.5,40 ] 
pred = np.asarray ( list1 )
预测= model.predict ( pred )