快捷導(dǎo)航

PyTorch-Forecasting一個(gè)新的時(shí)間序列預(yù)測(cè)庫(kù)使用詳解

更新時(shí)間：2023年05月28日 15:52:49 作者：deephub

這篇文章主要為大家介紹了PyTorch-Forecasting一個(gè)新的時(shí)間序列預(yù)測(cè)庫(kù)示例詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪

時(shí)間序列預(yù)測(cè)

時(shí)間序列預(yù)測(cè)在金融、天氣預(yù)報(bào)、銷售預(yù)測(cè)和需求預(yù)測(cè)等各個(gè)領(lǐng)域發(fā)揮著至關(guān)重要的作用。PyTorch- forecasting是一個(gè)建立在PyTorch之上的開(kāi)源Python包，專門(mén)用于簡(jiǎn)化和增強(qiáng)時(shí)間序列的工作。在本文中我們介紹PyTorch-Forecasting的特性和功能，并進(jìn)行示例代碼演示。

PyTorch-Forecasting的安裝非常簡(jiǎn)單：

pip install pytorch-forecasting

但是需要注意的是，他目前現(xiàn)在只支持Pytorch 1.7以上，但是2.0是否支持我沒(méi)有測(cè)試。

PyTorch-Forecasting提供了幾個(gè)方面的功能

1、提供了一個(gè)高級(jí)接口，抽象了時(shí)間序列建模的復(fù)雜性，可以使用幾行代碼來(lái)定義預(yù)測(cè)任務(wù)，使得使用不同的模型和技術(shù)進(jìn)行實(shí)驗(yàn)變得容易。

2、支持多個(gè)預(yù)測(cè)模型，包括自回歸模型(AR, ARIMA)，狀態(tài)空間模型(SARIMAX)，神經(jīng)網(wǎng)絡(luò)(LSTM, GRU)和集成方法(Prophet, N-Beats)。這種多樣化的模型集確保了為您的時(shí)間序列數(shù)據(jù)選擇最合適方法的靈活性。

3、提供各種數(shù)據(jù)預(yù)處理工具來(lái)處理常見(jiàn)的時(shí)間序列任務(wù)，包括：缺失值輸入、縮放、特征提取和滾動(dòng)窗口轉(zhuǎn)換等。除了一些數(shù)據(jù)的預(yù)處理的工具外，還提供了一個(gè)名為 TimeSeriesDataSet 的Pytorch的DS，這樣可以方便的處理時(shí)間序列數(shù)據(jù)。

4、通過(guò)統(tǒng)一的接口方便模評(píng)估：實(shí)現(xiàn)了QuantileLoss，SMAPE 等時(shí)間序列的損失函數(shù)和驗(yàn)證指標(biāo)，支持Pytorch Lighting 這樣可以直接使用早停和交叉驗(yàn)證等訓(xùn)練方法

使用方法

使用方法也很簡(jiǎn)單：

frompytorch_forecastingimportTimeSeriesDataSet, TemporalFusionTransformer
 # Load and preprocess the data
 dataset=TimeSeriesDataSet.from_csv('data.csv', target='target', time_idx='time', group_ids=['id'])
 dataset.prepare_training(split_into_train_val_test=[0.8, 0.1, 0.1])
 # Initialize and train the model
 model=TemporalFusionTransformer.from_dataset(dataset)
 trainer=pl.Trainer()
 trainer.fit(model, dataset.train_dataloader())
 # Generate predictions
 predictions=model.predict(dataset.test_dataloader())
 # Evaluate the model
 metric=dataset.target_normalizer.metrics['mse']
 print(f'Test MSE: {metric(predictions, dataset.test_dataloader())}')

如果需要分類編碼，可以這樣用：

frompytorch_forecasting.dataimportGroupNormalizer
 # Load and preprocess the data with categorical variables
 dataset=TimeSeriesDataSet.from_pandas(data, target='target', time_idx='time', group_ids=['id'], 
                                         categorical_encoders={'cat_variable': GroupNormalizer()})
 dataset.prepare_training(...)
 # Initialize and train the model
 model=TemporalFusionTransformer.from_dataset(dataset)
 trainer.fit(model, dataset.train_dataloader())
 # Generate predictions
 predictions=model.predict(dataset.test_dataloader())
 # Evaluate the model
 print(f'Test MSE: {metric(predictions, dataset.test_dataloader())}')

PyTorch-Forecasting是一個(gè)非常好用的工具包，就算你不使用它所有的功能，也可以將他提供的一些功能當(dāng)作鞏工具來(lái)整合到自己的項(xiàng)目中，如果你對(duì)使用PyTorch處理時(shí)序數(shù)據(jù)感興趣，也可以看看他的代碼當(dāng)作學(xué)習(xí)的參考，他的文檔還是比較全面的，并且也提供了很多的示例。

以上就是PyTorch-Forecasting一個(gè)新的時(shí)間序列預(yù)測(cè)庫(kù)的詳細(xì)內(nèi)容，更多關(guān)于PyTorch-Forecasting時(shí)間序列預(yù)測(cè)的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章: