pytorch-forecasting

pytorch-forecasting

前沿的时间序列预测工具包,提供灵活的高层API

PyTorch Forecasting 是一个基于 PyTorch 的时间序列预测包,适用于实际应用和研究。它支持多种神经网络架构及自动日志记录,利用 PyTorch Lightning 实现多 GPU/CPU 的扩展训练,并内置模型解释功能。关键特性包括时间序列数据集类、基本模型类、增强的神经网络架构、多视角时间序列指标和超参数优化。安装简便,支持 pip 和 conda,文档详尽,并包含模型比较和使用案例。

PyTorch Forecasting时间序列预测深度学习神经网络PyTorch LightningGithub开源项目

PyTorch Forecasting

PyPI Version Conda Version Docs Status Linter Status Build Status Code Coverage

文档 | 教程 | 发布说明

PyTorch Forecasting 是一个基于 PyTorch 的时间序列预测包,具有最先进的网络架构。它提供了用于在 pandas 数据框上训练网络的高级 API,并利用 PyTorch Lightning 在(多)GPU 和 CPU 上进行可扩展的训练以及自动记录。


我们在 Towards Data Science 上的文章介绍了该包并提供了背景信息。

PyTorch Forecasting 旨在简化使用神经网络进行现实世界应用和研究的最先进时间序列预测。目标是为专业人员提供最大灵活性的高级 API,并为初学者提供合理的默认设置。 具体来说,该包提供了

  • 一个时间序列数据集类,抽象处理变量转换、缺失值、随机子采样、多种历史长度等。
  • 一个基础模型类,提供基本的时间序列模型训练以及在 tensorboard 上记录和泛化的可视化,如实际 vs 预测和依赖关系图。
  • 多个用于时间序列预测的神经网络架构,已针对现实世界部署进行了增强,并具有内置解释功能。
  • 多重视角时间序列指标。
  • 通过 optuna 进行超参数调优。

该包构建于 pytorch-lightning 之上,支持在 CPU、单 GPU 和多 GPU 上开箱即用地训练。

安装

如果你在 Windows 上工作,首先需要安装 PyTorch:

pip install torch -f https://download.pytorch.org/whl/torch_stable.html

否则,你可以继续执行:

pip install pytorch-forecasting

或者,你可以通过 conda 安装该包:

conda install pytorch-forecasting pytorch -c pytorch>=1.7 -c conda-forge

PyTorch Forecasting 现在从 conda-forge 频道安装,而 PyTorch 从 pytorch 频道安装。

要使用 MQF2 损失(多变量分位数损失),还需要安装:

pip install pytorch-forecasting[mqf2]

文档

访问 https://pytorch-forecasting.readthedocs.io 阅读详细教程的文档。

可用模型

文档提供了可用模型的比较

要实现新模型或其他自定义组件,请参见 如何实现新模型教程,它涵盖了基础及高级架构。

使用示例

可以使用 PyTorch Lightning Trainerpandas Dataframes 上训练网络,这些 Dataframes 首先会转换为 TimeSeriesDataSet

# 训练导入 import lightning.pytorch as pl from lightning.pytorch.loggers import TensorBoardLogger from lightning.pytorch.callbacks import EarlyStopping, LearningRateMonitor # 导入数据集、网络和优化指标 from pytorch_forecasting import TimeSeriesDataSet, TemporalFusionTransformer, QuantileLoss from lightning.pytorch.tuner import Tuner # 加载数据:这是包含至少一个目标列(你想要预测的内容)、时间序列 ID 列(应为唯一字符串以标识每个时间序列)和观察时间列(应为单调递增整数)的 pandas 数据帧 data = ... # 定义数据集,即为 pandas 数据帧添加元数据,使模型能够理解它 max_encoder_length = 36 max_prediction_length = 6 training_cutoff = "YYYY-MM-DD" # 截止日期 training = TimeSeriesDataSet( data[lambda x: x.date <= training_cutoff], time_idx= ..., # 观察时间的列名 target= ..., # 预测目标的列名 group_ids=[ ... ], # 时间序列 ID 的列名(或列名列表) max_encoder_length=max_encoder_length, # 使用的历史长度 max_prediction_length=max_prediction_length, # 预测未来的长度 # 静态协变量 static_categoricals=[ ... ], static_reals=[ ... ], # 已知和未知协变量,用于提供预测信息 time_varying_known_categoricals=[ ... ], time_varying_known_reals=[ ... ], time_varying_unknown_categoricals=[ ... ], time_varying_unknown_reals=[ ... ], ) # 使用与训练数据集相同的标准化技术创建验证数据集 validation = TimeSeriesDataSet.from_dataset(training, data, min_prediction_idx=training.index.time.max() + 1, stop_randomization=True) # 转换数据集为训练的加载器 batch_size = 128 train_dataloader = training.to_dataloader(train=True, batch_size=batch_size, num_workers=2) val_dataloader = validation.to_dataloader(train=False, batch_size=batch_size, num_workers=2) # 使用早停创建 PyTorch Lightning Trainer early_stop_callback = EarlyStopping(monitor="val_loss", min_delta=1e-4, patience=1, verbose=False, mode="min") lr_logger = LearningRateMonitor() trainer = pl.Trainer( max_epochs=100, accelerator="auto", # 在 CPU 上运行,如果在多个 GPU 上运行,使用 strategy="ddp" gradient_clip_val=0.1, limit_train_batches=30, # 每个 epoch 的训练批次数 callbacks=[lr_logger, early_stop_callback], logger=TensorBoardLogger("lightning_logs") ) # 定义要训练的网络 - 架构主要由数据集推断,因此用户只需设置少数超参数 tft = TemporalFusionTransformer.from_dataset( # 数据集 training, # 架构超参数 hidden_size=32, attention_head_size=1, dropout=0.1, hidden_continuous_size=16, # 要优化的损失指标 loss=QuantileLoss(), # 记录频率 log_interval=2, # 优化器参数 learning_rate=0.03, reduce_on_plateau_patience=4 ) print(f"网络中的参数数量: {tft.size()/1e3:.1f}千") # 找到最佳的学习率 res = Tuner(trainer).lr_find( tft, train_dataloaders=train_dataloader, val_dataloaders=val_dataloader, early_stop_threshold=1000.0, max_lr=0.3, ) # 并绘制结果 - 总是需要视觉确认建议的学习率是否合理 print(f"建议的学习率: {res.suggestion()}") fig = res.plot(show=True, suggest=True) fig.show() # 在数据上拟合模型 - 如有必要,以正确的学习率重新定义模型 trainer.fit( tft, train_dataloaders=train_dataloader, val_dataloaders=val_dataloader, )

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

下拉加载更多