Подход к глубокому обучению для последовательного изучения данных временных рядов

Привет, привет, как дела сегодня? я надеюсь, что это здорово.

В наших предыдущих статьях мы видели множество способов изучить последовательные закономерности, скрытые в наших последовательных данных временного ряда. Но на этот раз мы рассмотрим подход к изучению последовательных данных с помощью глубокого обучения с использованием нейронной сети прямого потока. LSTM также является еще одним подходом к глубокому обучению, но, как мы знаем, это не нейронная сеть с прямой подачей, а рекуррентная нейронная сеть.

Нейронная сеть Forward Feed для временных рядов, которую мы будем называть NeuralProphet, предшественницей Fbprophet от команды Facebook Data Science.

Относительно очень мало, вот некоторые из немногих преимуществ перед Fbprophet

Установить pip install neuroprophet очень просто, в отличие от fbprophet, где много зависимостей, особенно pystan.

Особенности модели

  • Градиентный спуск для оптимизации с использованием PyTorch в качестве бэкенда.
  • Автокорреляционное моделирование через AR-Net
  • Кусочно-линейный тренд с дополнительным автоматическим определением точки изменения
  • Член Фурье Сезонность в разные периоды, такие как год, день, неделя, час.
  • Запаздывающие регрессоры (измеренные признаки, например датчик температуры)
  • Будущие регрессоры (заранее известные функции, например, прогноз температуры)
  • Загородные праздники и повторяющиеся специальные мероприятия
  • Разреженность коэффициентов за счет регуляризации
  • График для компонентов прогноза, коэффициентов модели, а также окончательных прогнозов
  • Автоматический выбор гиперпараметров, связанных с обучением
  • Поддержка панельных данных путем построения глобальных моделей прогнозирования.

И, как и раньше, может обрабатывать пропущенные значения и выбросы.

Ожидается, что в следующих версиях NeuralProphet будет реализован ряд новых интересных функций:

  • Логистический рост трендовой составляющей.
  • Оценка неопределенности прогнозируемых значений
  • Включите характеристику временных рядов для повышения точности прогнозов.
  • Моделирование смещения модели / коррекция с помощью вторичной модели
  • Мультимодальная динамика: неконтролируемый автоматический прогноз для конкретной модальности.

Ссылка на репозиторий NeuralProphet: https://neuralprophet.com/html/index.html

Итак, давайте попробуем этот новый мощный подход

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
#Load the dataset
data = pd.read_csv("dataset.csv") 
data.head(5)
#Selecting the important columns the date and the value
data = data[["Date","Close"]]

так же как и раньше в fbprophet нам нужно привести к нужному формату

data = data.rename(columns = {"Date":"ds","Close":"y"}) 
data.head(5)

pip install neuroprophet #игнорировать, если вы уже установили

Так вот, это то, что мы получаем.

Теперь, чтобы получить прогнозы

# Predictions
future = m.make_future_dataframe(data, periods=60, n_historic_predictions=len(data)) 
prediction = m.predict(future)

То же, что и раньше в fbprophet, но здесь нам нужно определить n_historic_predictions и периоды (количество дней, которые мы хотим предсказать)

Далее так же, как и раньше, чтобы получить компоненты

m.plot_components(prediction)
plt.show()

«NeuralProphet — это новая обновленная версия Facebook Prophet, которая позволяет пользователям использовать простые, но мощные модели глубокого обучения, такие как AR-Net, для задач прогнозирования. Что делает NeuralProphet уникальным, так это его способность учитывать дополнительную информацию, такую ​​как тенденции, сезонность и повторяющиеся события, при создании прогнозов и во время подбора».

Конец еще одной интересной темы. Не беспокойся! мы получили больше ближайшие.

Точно так же, если вам понравилась эта статья, посетите другие мои статьи и счастливого машинного обучения.

Далее мы рассмотрим, как вводить пропущенные значения для последовательных данных временных рядов, используя in…..te :)

Некоторые из моих альтернативных интернет-присутствий Facebook, Instagram, Udemy, Blogger, Issuu и другие.

Также доступно на Quora @ https://www.quora.com/profile/Rupak-Bob-Roy

Хорошего дня.