NeuralProphet之六：多元时间序列预测

时间序列论文: NeuralProphet: Explainable Forecasting at Scale
NeuralProphet之一：安装与使用
NeuralProphet之二：季节性(Seasonality)
NeuralProphet之三：回归(Regressors)
NeuralProphet之四：事件(Events)
NeuralProphet之五：多时序预测模型
NeuralProphet之六：多元时间序列预测
NeuralProphet之七：NeuralProphet + Optuna
NeuralProphet之八：NeuralProphet部署
NeuralProphet官方示例一：建筑物用电量预测(Building load forecasting)
NeuralProphet官方示例二：日照辐射强度预测(Forecasting hourly solar irradiance)

NeuralProphet之六：多元时间序列预测
NeuralProphet 通过滞后回归(Lagged Regressors)为时间序列预测目标加入其他协变量。

导入库：

import pandas as pd
import matplotlib.pyplot as plt
from neuralprophet import NeuralProphet, set_log_level
set_log_level("ERROR")

导入数据：

# data_location = "https://raw.githubusercontent.com/ourownstory/neuralprophet-data/main/datasets/"
data_location = 'datasets/'
df_ercot = pd.read_csv(data_location + "multivariate/load_ercot_regions.csv")
df_ercot_y = pd.read_csv(data_location + "energy/load_ercot.csv")
df_ercot['y'] = df_ercot_y['y']
print(df_ercot.head())

数据情况：

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 154854 entries, 0 to 154853
Data columns (total 10 columns):#   Column    Non-Null Count   Dtype
---  ------    --------------   -----  0   ds        154854 non-null  object 1   COAST     154854 non-null  float642   EAST      154854 non-null  float643   FAR_WEST  154854 non-null  float644   NORTH     154854 non-null  float645   NORTH_C   154854 non-null  float646   SOUTHERN  154854 non-null  float647   SOUTH_C   154854 non-null  float648   WEST      154854 non-null  float649   y         154854 non-null  float64
dtypes: float64(9), object(1)
memory usage: 11.8+ MB

NeuralProphet通过add_lagged_regressor注册协变量

regions = list(df_ercot)[1:-1]df = df_ercot
m = NeuralProphet(n_forecasts=24,n_lags=24,learning_rate=0.01,
)
m = m.add_lagged_regressor(names=regions)
m.highlight_nth_step_ahead_of_each_forecast(24)
metrics = m.fit(df, freq="H")

预测

forecast = m.predict(df)
# fig = m.plot(forecast)
fig1 = m.plot(forecast[-365*24:])
fig2 = m.plot(forecast[-7*24:])
# comp = m.plot_components(forecast[-7*24:])
param = m.plot_parameters()

可视化

plt.show()

NeuralProphet之六：多元时间序列预测相关推荐

解读两篇最新多元时间序列预测工作
本文首发于公众号"圆圆的算法笔记" 解读两篇最新多元时间序列预测工作点关注,不迷路,用心整理每一篇算法干货~多元时间序列预测任务主要解决的是输入多变量时间序列,预测多变量未来序ht ...
多元时间序列预测之（一）DA-RNN模型
文章目录前言 DA-RNN论文解读 1. 问题定义 2. 模型解读 2.1 输入注意力机制 2.2 编码器 2.3 时间注意力层 2.4 解码器前言多元时间序列预测,又称多变量时间预测,指对一个 ...
多元时间序列预测之LSTM的实现
多元时间序列预测之LSTM的实现 keras简单介绍多变量LSTM预测模型本文使用keras库实现基于LSTM的多元时间序列预测问题.所谓多元时间序列预测,是指根据多个变量之间的关系预测他们下一时 ...
使用 LSTM 进行多变量时间序列预测的保姆级教程
来源:DeepHub IMBA 本文约3800字,建议阅读10分钟本文中我们将使用深度学习方法 (LSTM) 执行多元时间序列预测. 使用 LSTM 进行端到端时间序列预测的完整代码和详细解释. 我们 ...
回顾︱时间序列预测与分解有哪些模型？（一）
本节简单回归一下时间序列任务的几种方向以及有哪些比较优秀的开源算法. 1 时序预测时序预测从不同角度看有不同分类.从实现原理的角度,可以分为传统统计学.机器学习(又分非深度学习和深度学习). 按预测 ...
使用Flow forecast进行时间序列预测和分类的迁移学习介绍
ImageNet首次发表于2009年,在接下来的四年里,它成为了大多数计算机视觉模型的基础.到目前为止,无论您是在训练一个模型来检测肺炎还是对汽车模型进行分类,您都可能从在ImageNet或其他大型( ...
时间序列预测方法_让我们使用经典方法预测您的时间序列
时间序列预测方法时间序列预测 (Time Series Forecasting) 背景 (Background) We learned various data preparation techni ...
NeurIPS2020 | StemGNN：基于图谱分解的时间序列预测
Spectral Temporal Graph Neural Network for Multivariate Time-series Forecasting 作者:北京大学Defu Cao等论文链 ...
11种常见的时间序列预测方法
参考内容:4大类11种常见的时间序列预测方法总结和代码示例代码地址: https://github.com/SeafyLiang/machine_learning_study/blob/master ...

NeuralProphet之六：多元时间序列预测

NeuralProphet之六：多元时间序列预测相关推荐

最新文章

热门文章