1 背景
发现最近做的任务都是有关于时间序列任务的，做的方法全部偏向于如何对数据进行清洗、提取周期特征然后构造相关特征，这些工作都是比较偏向于传统时间序列模型的方案。
现在深度学习这个火，比如循环神经网络分支：LSTM、GRU、Self_attention分支：Transformer、InFormer、AutoInformer等等。但是这些网络不好构建，如何使用需要门槛。那么今日我为大家推荐一个方法：NeuralForecast， 这个方法我测试了一下挺不错，我们看看包含什么模型：下面只是展示了部分，这些都是近期的SOTA，那么如何使用呢，让我们一起看看。
2 案例
完整代码在下面呢！
Quickstart - Nixtla
我直接拿别人的数据进行测试吧，国内什么时候能达到这样的水平呢，加油，同胞们！
Forecasting Models - Nixtla
我的环境：Python 3.10.0
matplotlib 3.9.2
neuralforecast 1.7.5
optuna 4.0.0
numpy 1.26.2
pandas 2.2.3
scikit-learn 1.5.2
torch 2.2.2
2.1 单变量TS
uniuqe_id: 可能是一个机场唯一的标识。
ds: 就是日期了
y: 单变量预测
数据类型： --- ------ -------------- ----- 0 unique_id 144 non-null float64 1 ds 144 non-null datetime64[ns] 2 y 144 non-null float32
horizon = 12 ： 这个就是我们需要预测的一个窗口（未来多少天的）；
先把药使用的模型统统放在一个list中，然后通过NeuralForecast调用。
models
- 类型: 列表
- 描述: 包含一个或多个模型实例的列表。每个模型实例可以是
PatchTST、NBEATS、NHITS等。
freq
- 类型: 字符串
- 描述: 时间序列的频率，例如 'D' 表示每天，'H' 表示每小时。
from neuralforecast import NeuralForecast
from neuralforecast.models import LSTM, NHITS, RNN
horizon = 12
# Try different hyperparmeters to improve accuracy.
models = [LSTM(h=horizon, # Forecast horizon
max_steps=500, # Number of steps to train
scaler_type='standard', # Type of scaler to normalize data
encoder_hidden_size=64, # Defines the size of the hidden state of the LSTM
decoder_hidden_size=64,), # Defines the number of hidden units of each layer of the MLP decoder
NHITS(h=horizon, # Forecast horizon
input_size=2 * horizon, # Length of input sequence
max_steps=100, # Number of steps to train
n_freq_downsample=[2, 1, 1]) # Downsampling factors for each stack output
]
nf = NeuralForecast(models=models, freq='M')
nf.fit(df=Y_df)从下面的图可以看出，可以预测到数据趋势。
开箱子即用很方便的，气质单变量预测的场景非常少，那么多变量预测呢？
2.2 多变量TS
看到这里说明你还是很感兴趣的，那么继续介绍！先声明三个名词：
静态外生变量：往往是一些标识符，未来的数据可见
静态外生变量携带每个时间序列的时间不变信息。当模型使用全局参数来预测多个时间序列时，这些变量允许在具有相似静态变量水平的时间序列组内共享信息。静态变量的例子包括标识符，如地区标识符、产品组标识符等。
历史外生变量：未来的数据不可见
这种时间依赖的外生变量仅限于过去的观测值。
未来外生变量：未来的数据可见
与历史外生变量不同，未来外生变量在预测时是可用的。例子包括日历变量、天气预报和已知事件，这些事件可能会导致大的波动，如计划中的促销活动。
我们引入的数据往往是未来不可见的。
unique_id: 唯一标识符，未来可见。 ds ：时间 gen_forecast：未来不可见的 system_load：未来不可见的 week_day： 未来可见的 --- ------ -------------- ----- 0 unique_id 32160 non-null object 1 ds 32160 non-null datetime64[ns] 2 y 32160 non-null float64 3 gen_forecast 32160 non-null float64 4 system_load 32160 non-null float64 5 week_day 32160 non-null int64
数据包含两个标识符：一个是FR，那么我们看看数据什么样子：有趋势但是数据存在异常情况；
我们需要预测未来24个小时的数据，所以horizon = 24， 定义了两个模型，我注释了一个，那么看看：
futr_exog_list = ['gen_forecast', 'week_day'], 未来可见的数据，只不过特征gen_forecast是模型生成的# <- Future exogenous variables
hist_exog_list = ['system_load'], 这个数据未来不可见
stat_exog_list = ['market_0', 'market_1'], 不随时间变化的，唯一标识符号
horizon = 24 # day-ahead daily forecast
models = [NHITS(h = horizon,
input_size = 5*horizon,
futr_exog_list = ['gen_forecast', 'week_day'], # <- Future exogenous variables
hist_exog_list = ['system_load'], # <- Historical exogenous variables
stat_exog_list = ['market_0', 'market_1'], # <- Static exogenous variables
scaler_type = 'robust'),
# BiTCN(h = horizon,
# input_size = 5*horizon,
# futr_exog_list = ['gen_forecast', 'week_day'], # <- Future exogenous variables
# hist_exog_list = ['system_load'], # <- Historical exogenous variables
# stat_exog_list = ['market_0', 'market_1'], # <- Static exogenous variables
# scaler_type = 'robust',
# ),
]
nf = NeuralForecast(models=models, freq='H')
nf.fit(df=df,
static_df=static_df)其实我有个疑问，为什么数据不用关联，直接在fit方法里面static_df=static_df 指定下就能运行了。
2.3 自己的数据
这是我之前参加厦门空气质量预测的数据，最终获得了一个三等奖。我们看看怎么使用。
这一块其实也没什么，但是我的电脑不大行，必须上服务器，后面有机会我在测试吧，先给个案例。
# 定义回调函数来记录和打印损失
class LossCallback:
def __init__(self):
self.train_losses = []
self.val_losses = []
def on_epoch_end(self, epoch, logs):
train_loss = logs.get('loss')
val_loss = logs.get('val_loss')
self.train_losses.append(train_loss)
self.val_losses.append(val_loss)
print(f"Epoch {epoch + 1}/{logs['epochs']} - Train Loss: {train_loss:.4f}, Val Loss: {val_loss:.4f}")
# 创建回调实例
loss_callback = LossCallback()
horizon = 7*24 # day-ahead daily forecast
models = [NHITS(h = horizon,
input_size = 1*horizon,
futr_exog_list = ['month', 'day', 'hour', 'dayofweek', 'dayofyear', 'sin_time','cos_time'], # <- Future exogenous variables
hist_exog_list = ['so', 'no', 'pm10', 'co', 'o3', 'pm2.5'], # <- Historical exogenous variables
stat_exog_list = [], # <- Static exogenous variables
scaler_type = 'robust',
max_steps=550,
learning_rate=0.001,
),
# BiTCN(h = horizon,
# input_size = 5*horizon,
# futr_exog_list = ['gen_forecast', 'week_day'], # <- Future exogenous variables
# hist_exog_list = ['system_load'], # <- Historical exogenous variables
# stat_exog_list = ['market_0', 'market_1'], # <- Static exogenous variables
# scaler_type = 'robust',
# ),
]
feats = ['so', 'no', 'pm10', 'co', 'o3', 'pm2.5','month', 'day', 'hour', 'dayofweek', 'dayofyear', 'sin_time',
'cos_time']
label = 'pm2.5'
nf = NeuralForecast(models=models, freq='H')
history = nf.fit(df=train_df_only[feats+['id','ds']],
val_size = int(len(train_df_only) * 0.2),
id_col = 'id',
time_col = 'ds',
target_col = label,
verbose=1,
#callbacks=[loss_callback]
)
