超越 Facebook 的 Prophet，NeuralProphet 这个时序工具包也太强了！

Posted 2021-09-17 Python学习与数据挖掘

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了超越 Facebook 的 Prophet，NeuralProphet 这个时序工具包也太强了！相关的知识，希望对你有一定的参考价值。

原文：NeuralProphet 作者：Eryk Lewinson

欢迎关注，专注 Python、数据分析、数据挖掘、好玩工具！

我相信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。

关注过我的朋友应该知道，之前我分享过这样一篇文章：

时间序列预测的7种Python工具包，总有一款适合你！

出乎意料的是收到了300多个赞，能够感受到朋友们对时间序列新工具的喜爱。

在本文，我将介绍一款最新时序工具：NeuralProphet ，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，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。喜欢的小伙伴，赶快收藏学习、喜欢点赞支持。

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，这使得我们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；

实操代码

1.数据读取

# !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()

The dataset contains 2905 observations.

df.plot(x='ds', y='y', title='Log daily page views');

2.Prophet 预测

test_length = 365
df_train = df.iloc[:-test_length]
df_test = df.iloc[-test_length:]

prophet_model = Prophet()
prophet_model.fit(df_train)
future_df = prophet_model.make_future_dataframe(periods=test_length)
preds_df_1 = prophet_model.predict(future_df)
prophet_model.plot_components(preds_df_1);

prophet_model.plot(preds_df_1);

3. NeuralProphet

nprophet_model = NeuralProphet()
metrics = nprophet_model.fit(df_train, freq="D")
future_df = nprophet_model.make_future_dataframe(df_train,                                                  periods = test_length,                                                  n_historic_predictions=len(df_train))preds_df_2 = nprophet_model.predict(future_df)
nprophet_model.plot(preds_df_2);

4.效果比较

NeuralProphet 的效果比 Prophet 好了很多。

# prepping the DataFrame
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}")

df_test.plot(title='Forecast evaluation');