neuralforecast

NeuralForecast 项目介绍

概述

NeuralForecast 是一个专注于性能、可用性和稳健性的神经网络预测模型库。该库提供了丰富的神经预测模型，从经典的神经网络（如RNNs）到最新的transformers（如TFT、Informer等），涵盖了波动预测、时间序列分析等多个领域。

安装

用户可以通过以下命令轻松安装NeuralForecast：

pip install neuralforecast

或者使用conda进行安装：

conda install -c conda-forge neuralforecast

快速开始

NeuralForecast 提供了简洁易用的接口，示例包括：

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()

项目背景

NeuralForecast 项目的初衷是利用神经网络方法提高预测的精度和效率。然而，现有的实现和研究未能充分发挥神经网络的潜力，因为这些方法难以应用，并且在计算上昂贵。因此，NeuralForecast 专注于提供经过验证的准确和高效的模型，改善用户体验。

主要功能

• 提供超过30种先进的模型，这些模型都经过优化以实现快速且准确的预测。
• 支持外生变量和静态协变量的集成。
• 可解释性方法，可解析趋势、季节性和外生因素。
• 提供概率预测功能，适配分位数损失和参数分布。
• 包括自动模型选择和参数调优功能。
• 采用熟悉的sklearn语法，易于使用。

显著特点

• 官方NHITS模型实现，发表在AAAI 2023。
• 支持与其他预测工具（如StatsForecast和MLForecast）的无缝集成。
• 内置与Ray和Optuna的集成，支持自动超参数优化。
• 提供迁移学习功能，可在历史数据较少时进行预测。

示例与指南

NeuralForecast的文档页面提供了详尽的示例和教程，包括自动超参数优化、外生回归变量集成、变压器模型的使用等多个领域的实际应用说明。

该项目由许多优秀的开发者和研究人员共同贡献，他们的努力促进了神经预测技术的发展。

经过这些介绍，NeuralForecast展示了其在时间序列预测领域的广泛应用潜力，并为用户提供了一套功能强大而易于使用的工具集。无论是在学术研究还是实际应用中，该工具都能为数据科学家和开发者带来巨大的价值。