【亲测免费】 PyTorchTS 使用教程

项目介绍

PyTorchTS 是一个基于 PyTorch 的概率时间序列预测框架，它利用 GluonTS 作为后端 API，提供了当前最先进的 PyTorch 时间序列模型。该项目旨在为时间序列分析提供一个强大的工具集，支持从数据加载、预处理到模型训练和预测的全流程。

项目快速启动

安装

首先，确保你已经安装了 Python 和 pip。然后，通过以下命令安装 PyTorchTS：

pip3 install pytorchts

快速示例

以下是一个简单的示例，展示如何使用 PyTorchTS 训练一个模型并进行预测。我们将使用 Twitter 上提到 AMZN 股票的推文数量作为数据集。

import matplotlib.pyplot as plt
import pandas as pd
import torch
from gluonts.dataset.common import ListDataset
from gluonts.dataset.util import to_pandas
from pts.model.deepar import DeepAREstimator
from pts import Trainer

# 加载数据
url = "https://raw.githubusercontent.com/numenta/NAB/master/data/realTweets/Twitter_volume_AMZN.csv"
df = pd.read_csv(url, header=0, index_col=0, parse_dates=True)

# 准备数据集
training_data = ListDataset(
    [{"start": df.index[0], "target": df.values}],
    freq="5min"
)

# 定义模型
estimator = DeepAREstimator(
    freq="5min",
    prediction_length=12,
    trainer=Trainer(epochs=10)
)

# 训练模型
predictor = estimator.train(training_data=training_data)

# 进行预测
for test_entry in training_data:
    future_series = to_pandas(test_entry)
    forecast = predictor.predict(test_entry)
    future_series[-12:].plot(linewidth=2)
    forecast.plot(color='g', prediction_intervals=[50.0, 90.0])

plt.grid(which='both')
plt.legend(["observations", "median prediction", "90% prediction interval", "50% prediction interval"])
plt.show()

应用案例和最佳实践

应用案例

PyTorchTS 可以应用于多种时间序列预测场景，包括但不限于：

• 股票价格预测
• 销售量预测
• 网络流量预测
• 能源消耗预测

最佳实践

• 数据预处理：确保数据集经过适当的清洗和标准化处理。
• 模型选择：根据具体任务选择合适的模型，如 DeepAR、LSTNet 或 N-Beats。
• 超参数调优：使用网格搜索或随机搜索进行超参数调优，以获得最佳模型性能。
• 评估指标：使用适当的评估指标（如 MAE、MSE 或 MAPE）来评估模型性能。

典型生态项目

PyTorchTS 作为 PyTorch 生态系统的一部分，与其他项目和工具紧密集成，包括：

• PyTorch Lightning：用于简化深度学习模型的训练和验证。
• GluonTS：提供了一系列时间序列数据处理和模型评估工具。
• TorchServe：用于部署和管理 PyTorch 模型的服务框架。

这些工具和框架共同构成了一个强大的生态系统，支持从模型开发到部署的全流程。