NeuralProphet是一个python库，用于基于神经网络对时间序列数据进行建模。它建立在PyTorch之上，并受到Facebook Prophet和AR-Net库的极大启发。
NeuralProphet 和 Prophet对比
从库名称中，您可能会问Facebook的Prophet库和NeuralProphet之间的主要区别是什么。根据NeuralProphet的文档，增加的功能是[1]：
- 使用PyTorch的Gradient Descent进行优化，使建模过程比Prophet快得多
- 使用AR-Net建模时间序列自相关（也称为序列相关）
- 自定义损失和指标
- 具有前馈神经网络的可配置非线性层，
- 等等
项目维护者
基于该项目的GitHub页面，该项目的主要维护者是斯坦福大学的Oskar Triebe，Facebook和莫纳什大学的合作。
安装
该项目处于测试阶段，因此，如果您要在生产环境中使用此库，我建议您谨慎使用。
不幸的是，在撰写本文时，该库没有pip或conda软件包。只能通过克隆存储库并运行pip install。来安装它。但是，如果要在Jupyter Notebook环境中使用该软件包，则应安装其实时版本pip install . 这将提供更多功能，例如使用plot_live_loss（）实时训练和验证损失。
git clone https://github.com/ourownstory/neural_prophet
cd neural_prophet
pip install .[live]我建议创建一个新环境（conda或venv），并从新环境安装NeuralProphet软件包，让安装程序处理所有依赖项（它具有Pandas，Jupyter Notebook，PyTorch作为依赖项）。
现在我们已经安装了软件包，让我们开始吧！
案例分析实践
在这里，我使用在Kaggle上的2013年至2017年德里的每日气候数据。首先，让我们导入主要包。
代码语言：javascript复制 import pandas as pd
from neuralprophet import NeuralProphet然后，我们可以将数据读取到Panda DataFrame中。NeuralProphet对象期望时间序列数据具有一个名为ds的日期列，而我们希望将其预测为y。
代码语言：javascript复制 # Data is from https://www.kaggle.com/sumanthvrao/daily-climate-time-series-data
df = pd.read_csv("./DailyDelhiClimateTrain.csv", parse_dates=["date"])
df = df[["date", "meantemp"]]
df.rename(columns={"date": "ds", "meantemp": "y"}, inplace=True)现在，让我们初始化模型，为NeuralProphet对象定义的所有默认参数，包括有关某些参数的其他信息。这些是您可以在模型中配置的超参数。当然，如果您打算使用默认变量，则只需执行model = NeuralProphet（）。
代码语言：javascript复制 # model = NeuralProphet() if you're using default variables below.
model = NeuralProphet(
growth="linear", # Determine trend types: 'linear', 'discontinuous', 'off'
changepoints=None, # list of dates that may include change points (None -> automatic )
n_changepoints=5,
changepoints_range=0.8,
trend_reg=0,
trend_reg_threshold=False,
yearly_seasonality="auto",
weekly_seasonality="auto",
daily_seasonality="auto",
seasonality_mode="additive",
seasonality_reg=0,
n_forecasts=1,
n_lags=0,
num_hidden_layers=0,
d_hidden=None, # Dimension of hidden layers of AR-Net
ar_sparsity=None, # Sparcity in the AR coefficients
learning_rate=None,
epochs=40,
loss_func="Huber",
normalize="auto", # Type of normalization ('minmax', 'standardize', 'soft', 'off')
impute_missing=True,
log_level=None, # Determines the logging level of the logger object
)配置模型及其超参数后，我们需要训练模型并进行预测。让我们对温度进行一年的预测。
代码语言：javascript复制 metrics = model.fit(df, validate_each_epoch=True, freq="D")
future = model.make_future_dataframe(df, periods=365, n_historic_predictions=len(df))
forecast = model.predict(future)您可以通过调用model.plot（forecast）来简单地绘制预测，如下所示：
代码语言：javascript复制 fig, ax = plt.subplots(figsize=(14, 10))
model.plot(forecast, xlabel="Date", ylabel="Temp", ax=ax)
ax.set_title("Mean Temperature in Delhi", fontsize=28, fontweight="bold")
上面显示了一年的预测图，其中从2017-01-01到2018-01-01之间的时间段是预测。可以看出，预测图类似于历史时间序列。它既捕获了季节性，又捕获了线性趋势的缓慢增长。
也可以通过调用model.plot_parameters（）来绘制参数。
使用平均绝对误差（MAE）的模型损失如下图所示。您也可以使用“平滑的L1损失”功能。
代码语言：javascript复制 fig, ax = plt.subplots(figsize=(14, 10))
ax.plot(metrics["MAE"], 'ob', linewidth=6, label="Training Loss")
ax.plot(metrics["MAE_val"], '-r', linewidth=2, label="Validation Loss")
# You can use metrics["SmoothL1Loss"] and metrics["SmoothL1Loss_val"] too.
总结
在本文中，我们讨论了NeuralProphet，这是一个基于神经网络对时间序列进行建模的python库。该库使用PyTorch作为后端。作为案例研究，我们为德里的每日气候时间序列数据创建了一个预测模型，并进行了一年的预测。使用此库的一个优点是其语法与Facebook的Prophet库类似。
您可以在GitHub上找到此博客文章的Jupyter笔记本。谢谢阅读！
https://github.com/e-alizadeh/medium/blob/master/notebooks/NeuralProphet/neural_prophet.ipynb
参考文献
[1] NeuralProphet
[2] O. J. Triebe et al, AR-Net: A Simple Auto-Regressive Neural Network For Time-Series, (2019)
[3] https://facebook.github.io/prophet/
[4] https://github.com/ourownstory/AR-Net
作者：Esmaeil Alizadeh
deephub翻译组
原文地址:https://towardsdatascience.com/neural-prophet-a-time-series-modeling-library-based-on-neural-networks-dd02dc8d868d
