NeuralProphet：人本主义的时间序列预测框架

项目介绍

NeuralProphet 是一个易于学习的可解释时间序列预测框架。它建立在 PyTorch 之上，结合了神经网络和传统时间序列算法，灵感来源于 Facebook Prophet 和 AR-Net。通过几行代码，用户可以定义、定制、可视化和评估自己的预测模型。它设计用于迭代的人在环模型构建，意味着用户可以快速构建第一个模型，解释结果，改进，重复。

项目技术分析

NeuralProphet 的核心技术特点包括：

• 模型组件：包括自回归（AR）、趋势、季节性、滞后回归器、未来回归器和事件等。
• 框架特性：支持多时间序列、不确定性估计、模型组件正则化、多种绘图功能、时间序列交叉验证和模型检查点等。

项目及技术应用场景

NeuralProphet 特别适合于高频率（子日）和长时间跨度（至少两个完整周期/年）的时间序列数据。它在以下场景中表现出色：

• 金融预测：如股票价格预测。
• 能源管理：如电力需求预测。
• 供应链管理：如库存水平预测。
• 健康监测：如患者病情趋势预测。

项目特点

• 易用性：简单的 API 设计，使得用户可以快速上手。
• 可解释性：强调模型的可解释性，帮助用户理解模型的工作原理。
• 灵活性：支持多种模型组件和特性，用户可以根据需要进行定制。
• 社区支持：活跃的社区和丰富的教程资源，帮助用户解决问题和学习新技能。

安装指南

用户可以通过 pip 直接安装 NeuralProphet：

pip install neuralprophet

对于 Jupyter 用户，推荐安装 'live' 版本以支持实时损失绘图：

pip install neuralprophet[live]

社区和贡献

NeuralProphet 是一个开源社区项目，欢迎任何形式的贡献。用户可以通过 GitHub 讨论区、Slack 社区或直接参与代码贡献来加入我们。

引用

如果您在研究中使用了 NeuralProphet，请引用我们的论文：

@misc{triebe2021neuralprophet,
      title={NeuralProphet: Explainable Forecasting at Scale}, 
      author={Oskar Triebe and Hansika Hewamalage and Polina Pilyugina and Nikolay Laptev and Christoph Bergmeir and Ram Rajagopal},
      year={2021},
      eprint={2111.15397},
      archivePrefix={arXiv},
      primaryClass={cs.LG}
}

NeuralProphet 是一个不断发展的项目，我们期待您的加入和贡献！