机器学习

NeuralProphet

简介

几乎绝大多数做时间序列的朋友都了解Facebook的Prophet模型，因为其在准确性、可解释性等方面有着良好的性能，而且可以为用户自动化许多元素（如超参数选择或特征工程），因而它获得了广泛的应用。介绍一个最新的NeuralProphet时，从名字就可以看出，这个是神经网络和Prophet的结合，与传统的黑盒NN不同，就介绍的NeuralProphet模型集成了Prophet的所有优点，不仅具有不错的可解释性，还有优于Prophet的预测性能。

NeuralProphet

1、Prophet

Prophet如果认为是基本自回归的扩展（除了使用lagged的目标值，还对输入变量使用傅立叶变换，可以通过调模型拿到更好的结果）。

  • Prophet可以使用额外的信息，不仅仅是target的延迟值；
  • 模型能融入节假日信息；

  • 可以自动检测趋势的变化；

    2、NeuralProphet

    和许多黑盒子的NN不同，NeuralProphet保留了Prophet的所有优势，同时，通过引入改进的后端（Pytorch代替Stan）和使用自回归网络（AR网络），将神经网络的可扩展性与AR模型的可解释性结合起来，提高其准确性和可扩展性。

  • AR网络——它是一个单层网络，经过训练可以模拟时间序列信号中的AR过程，但规模比传统模型大得多。

    3、NeuralProphet VS Prophet

  • NeuralProphet使用PyTorch的梯度下降进行优化，使得建模速度更快；

  • 利用自回归网络对时间序列自相关进行建模；
  • 滞后回归器使用单独的前馈神经网络建模；
  • NeuralProphet具有可配置的前馈神经网络的非线性深层；
  • 模型可调整到特定的预测范围（大于1）；
  • 提供自定义的损失函数和度量策略；

    代码

    1、数据读取

    ```python

    !pip install neuralprophet

    import pandas as pd from fbprophet import Prophet from neuralprophet import NeuralProphet from sklearn.metrics import mean_squared_error

plotting

import matplotlib.pyplot as plt

settings

plt.style.use(‘seaborn’) plt.rcParams[“figure.figsize”] = (16, 8) df = pd.read_csv(‘./data/wp_log_peyton_manning.csv’) print(f’The dataset contains {len(df)} observations.’) df.head()

  1. The dataset contains 2905 observations.
  3. | <br /> | ds | y |
  4. | --- | --- | --- |
  5. | 0 | 2007-12-10 | 9.590761 |
  6. | 1 | 2007-12-11 | 8.519590 |
  7. | 2 | 2007-12-12 | 8.183677 |
  8. | 3 | 2007-12-13 | 8.072467 |
  9. | 4 | 2007-12-14 | 7.893572 |
  11. ```python
  12. df.plot(x='ds', y='y', title='Log daily page views');

2021-08-09-20-39-43-071915.png

2、Prophet预测

  1. test_length = 365
  2. df_train = df.iloc[:-test_length]
  3. df_test = df.iloc[-test_length:]
  5. prophet_model = Prophet()
  6. prophet_model.fit(df_train)
  7. future_df = prophet_model.make_future_dataframe(periods=test_length)
  8. preds_df_1 = prophet_model.predict(future_df)
  9. prophet_model.plot_components(preds_df_1);
  11. prophet_model.plot(preds_df_1);

3、NeuralProphet

  1. nprophet_model = NeuralProphet()
  2. metrics = nprophet_model.fit(df_train, freq="D")
  3. future_df = nprophet_model.make_future_dataframe(df_train, 
  4.                                                  periods = test_length, 
  5.                                                  n_historic_predictions=len(df_train))
  6. preds_df_2 = nprophet_model.predict(future_df)
  7. nprophet_model.plot(preds_df_2);

2021-08-09-20-39-43-178928.png

4、效果比较

  • NeuralProphet的效果比Prophet好了很多。 ```python df_test[‘prophet’] = preds_df_1.iloc[-test_length:].loc[:, ‘yhat’] df_test[‘neural_prophet’] = preds_df_2.iloc[-test_length:].loc[:, ‘yhat1’] df_test.set_index(‘ds’, inplace=True)

print(‘MSE comparison ——‘) print(f”Prophet:\t{mean_squared_error(df_test[‘y’], preds_df_1.iloc[-test_length:][‘yhat’]):.4f}”) print(f”NeuralProphet:\t{mean_squared_error(df_test[‘y’], preds_df_2.iloc[-test_length:][‘yhat1’]):.4f}”)

  1. ```python
  2. MSE comparison ----
  3. Prophet:    0.3576
  4. NeuralProphet:    0.3057

小结

NeuralProphet在时间序列预测的效果上面一般会比Prophet好很多，在遇到时间序列问题的时候强烈建议大家尝试一下。