PyTorchTS

PyTorchTS 是一个基于 PyTorch 的概率时间序列预测框架，通过使用 GluonTS 作为其后端 API，并用于加载、转换和回测时间序列数据集，提供最先进的 PyTorch 时间序列模型。

安装

$ pip3 install pytorchts

快速入门

这里我们通过 GluonTS README 来突出显示 API 的变化。

import matplotlib.pyplot as plt
import pandas as pd
import torch

from gluonts.dataset.common import ListDataset
from gluonts.dataset.util import to_pandas

from pts.model.deepar import DeepAREstimator
from pts import Trainer

这个简单的例子说明了如何在一些数据上训练模型，然后使用它进行预测。首先，我们需要收集一些数据：在这个例子中，我们将使用提及 AMZN 股票代码的推文数量。

url = "https://raw.githubusercontent.com/numenta/NAB/master/data/realTweets/Twitter_volume_AMZN.csv"
df = pd.read_csv(url, header=0, index_col=0, parse_dates=True)

前 100 个数据点如下所示：

df[:100].plot(linewidth=2)
plt.grid(which='both')
plt.show()

png

现在我们可以为我们的模型准备一个训练数据集。数据集本质上是字典的可迭代集合：每个字典代表一个时间序列，可能还有相关的特征。对于这个例子，我们只有一个条目，由 "start" 字段指定，它是第一个数据点的时间戳，以及包含时间序列数据的 "target" 字段。对于训练，我们将使用截至 2015 年 4 月 5 日午夜的数据。

training_data = ListDataset(
    [{"start": df.index[0], "target": df.value[:"2015-04-05 00:00:00"]}],
    freq = "5min"
)

预测模型是一个 predictor 对象。获得预测器的一种方法是通过训练相应的估计器。实例化估计器需要指定它将处理的时间序列的频率，以及要预测的时间步数。在我们的例子中，我们使用 5 分钟的数据，所以 freq="5min"，我们将训练一个模型来预测下一个小时，所以 prediction_length=12。模型在每个时间点的输入将是大小为 input_size=43 的向量。我们还指定了一些最小的训练选项，特别是在 device 上训练 epoch=10。

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

estimator = DeepAREstimator(freq="5min",
                            prediction_length=12,
                            input_size=19,
                            trainer=Trainer(epochs=10,
                                            device=device))
predictor = estimator.train(training_data=training_data, num_workers=4)

    45it [00:01, 37.60it/s, avg_epoch_loss=4.64, epoch=0]
    48it [00:01, 39.56it/s, avg_epoch_loss=4.2, epoch=1] 
    45it [00:01, 38.11it/s, avg_epoch_loss=4.1, epoch=2] 
    43it [00:01, 36.29it/s, avg_epoch_loss=4.05, epoch=3]
    44it [00:01, 35.98it/s, avg_epoch_loss=4.03, epoch=4]
    48it [00:01, 39.48it/s, avg_epoch_loss=4.01, epoch=5]
    48it [00:01, 38.65it/s, avg_epoch_loss=4, epoch=6]   
    46it [00:01, 37.12it/s, avg_epoch_loss=3.99, epoch=7]
    48it [00:01, 38.86it/s, avg_epoch_loss=3.98, epoch=8]
    48it [00:01, 39.49it/s, avg_epoch_loss=3.97, epoch=9]

在训练过程中，将显示有关进度的有用信息。要全面了解可用选项，请参阅 DeepAREstimator（或其他估计器）和 Trainer 的源代码。

现在我们准备进行预测：我们将预测 2015 年 4 月 15 日午夜之后的一小时。

test_data = ListDataset(
    [{"start": df.index[0], "target": df.value[:"2015-04-15 00:00:00"]}],
    freq = "5min"
)

for test_entry, forecast in zip(test_data, predictor.predict(test_data)):
    to_pandas(test_entry)[-60:].plot(linewidth=2)
    forecast.plot(color='g', prediction_intervals=[50.0, 90.0])
plt.grid(which='both')

png

请注意，预测结果以概率分布的形式显示：阴影区域分别代表50%和90%的预测区间，以中位数（深绿色线）为中心。

开发

pip install -e .
pytest test

引用

如需引用本仓库：

@software{pytorchgithub,
    author = {Kashif Rasul},
    title = {{P}yTorch{TS}},
    url = {https://github.com/zalandoresearch/pytorch-ts},
    version = {0.6.x},
    year = {2021},
}

科学文章

我们使用此框架实现了以下模型：

基于条件化标准化流的多变量概率时间序列预测

@INPROCEEDINGS{rasul2020tempflow,
  author = {Kashif Rasul and  Abdul-Saboor Sheikh and  Ingmar Schuster and Urs Bergmann and Roland Vollgraf},
  title = {{M}ultivariate {P}robabilistic {T}ime {S}eries {F}orecasting via {C}onditioned {N}ormalizing {F}lows},
  year = {2021},
  url = {https://openreview.net/forum?id=WiGQBFuVRv},
  booktitle = {International Conference on Learning Representations 2021},
}

用于多变量概率时间序列预测的自回归去噪扩散模型

@InProceedings{pmlr-v139-rasul21a,
  title = 	 {{A}utoregressive {D}enoising {D}iffusion {M}odels for {M}ultivariate {P}robabilistic {T}ime {S}eries {F}orecasting},
  author =       {Rasul, Kashif and Seward, Calvin and Schuster, Ingmar and Vollgraf, Roland},
  booktitle = 	 {Proceedings of the 38th International Conference on Machine Learning},
  pages = 	 {8857--8868},
  year = 	 {2021},
  editor = 	 {Meila, Marina and Zhang, Tong},
  volume = 	 {139},
  series = 	 {Proceedings of Machine Learning Research},
  month = 	 {18--24 Jul},
  publisher =    {PMLR},
  pdf = 	 {http://proceedings.mlr.press/v139/rasul21a/rasul21a.pdf},
  url = 	 {http://proceedings.mlr.press/v139/rasul21a.html},
}

基于隐式分位网络的概率时间序列预测

@misc{gouttes2021probabilistic,
      title={{P}robabilistic {T}ime {S}eries {F}orecasting with {I}mplicit {Q}uantile {N}etworks}, 
      author={Adèle Gouttes and Kashif Rasul and Mateusz Koren and Johannes Stephan and Tofigh Naghibi},
      year={2021},
      eprint={2107.03743},
      archivePrefix={arXiv},
      primaryClass={cs.LG}
}