【时间序列】NeuralProphet：Prophet的Pytorch实现！精度更高 预测更快 特性更多！
The following article is from Coggle数据科学 Author Coggle
NeuralProphet是受Prophet和AR-Net的启发，并建立在Pytorch上的强大继续模型。
官网：https://neuralprophet.com/
NeuralProphet功能
与Prophet相比，NeuralProphet具备的功能有：
通过使用PyTorch的深度学习完成优化 使用 AR-Net对时间序列的自相关建模使用前馈神经网络对滞后建模 可自定义损失和指标
同时也具备用户友好Python接口：
from neuralprophet import NeuralProphet
import pandas as pd
df = pd.read_csv('toiletpaper_daily_sales.csv')
m = NeuralProphet()
metrics = m.fit(df, freq="D")
forecast = m.predict(df)
特征1：自回归模型
n_lags为NeuralProphet的参数，向AR-Net提供5个滞后并接收 3 个步骤作为预测：
m = NeuralProphet(
n_forecasts=3,
n_lags=5,
yearly_seasonality=False,
weekly_seasonality=False,
daily_seasonality=False,
)
https://neuralprophet.com/html/auto-regression.html
特性2：滞后回归模型
滞后回归器仅AR-Net可用，并且需要指定n_lags值，调用add_lagged_regressor函数注册这些滞后回归量：
m = m.add_lagged_regressor(names='A')
https://neuralprophet.com/html/lagged-regressors.html
特性3：添加特殊事件
在预测问题中需要考虑重复发生的特殊事件，可以以加法格式和乘法格式添加：
m = NeuralProphet(
n_forecasts=10,
yearly_seasonality=False,
weekly_seasonality=False,
daily_seasonality=False,
)
m = m.add_events(["superbowl", "playoff"])
https://neuralprophet.com/html/events.html
特性4：对未来进行回归
未来回归量是具有已知未来值的外部变量，我们还需要提供回归量的未来值：
df['A'] = df['y'].rolling(7, min_periods=1).mean()
df['B'] = df['y'].rolling(30, min_periods=1).mean()
m = NeuralProphet(
n_forecasts=10,
yearly_seasonality=False,
weekly_seasonality=False,
daily_seasonality=False,
)
m = m.add_future_regressor(name='A')
m = m.add_future_regressor(name='B')
https://neuralprophet.com/html/future-regressors.html
与Prophet实验对比
训练时间
Prophet的四倍，但预测非常快，上线部署如果有GPU更快！
模型选择
数据量比较小、以及长序列预测比较适合用Prophet，其他情况都可以无脑选择NeuralProphet
具体精度
适合初学者入门人工智能的路线及资料下载 机器学习及深度学习笔记等资料打印 机器学习在线手册 深度学习笔记专辑 《统计学习方法》的代码复现专辑 AI基础下载 黄海广老师《机器学习课程》视频课 黄海广老师《机器学习课程》711页完整版课件