使用PyTorch进行时间序列预测

【实例简介】
PyTorch Forecasting是一个基于PyTorch的包，用于使用最先进的网络架构对时间序列进行预测。它提供了一个高级API，可在pandas数据框上训练网络，并利用PyTorch Lightning进行可扩展的（多个）GPU、CPU上的训练以及自动日志记录。我们在Towards Data Science上的一篇文章介绍了这个包，并提供了背景信息。PyTorch Forecasting旨在为实际案例和研究提供基于神经网络的最新时间序列预测。其目标是为专业人士提供最大灵活性的高级API，并为初学者提供合理的默认设置。具体来说，该包提供了一个时间序列数据集类，该类抽象处理变量转换、缺失值、随机子采样、多个历史长度等。还提供了一个基础模型类，该类提供了基本的时间序列模型训练，以及在tensorboard中的日志记录和实际与预测之间的通用可视化以及依赖图。此外，还提供了多种针对实际部署进行增强的时间序列预测的神经网络架构。
【实例截图】
【核心代码】
文件清单
└── pytorch-forecasting-64a6618fd2ad0c8b91204a31b7daeb6fc4528b1f
    ├── CHANGELOG.md
    ├── codecov.yml
    ├── docs
    │   ├── make.bat
    │   ├── Makefile
    │   ├── requirements.txt
    │   └── source
    │       ├── api.rst
    │       ├── conf.py
    │       ├── contribute.rst
    │       ├── data.rst
    │       ├── faq.rst
    │       ├── getting-started.rst
    │       ├── index.rst
    │       ├── metrics.rst
    │       ├── models.rst
    │       ├── _static
    │       │   ├── custom.css
    │       │   ├── favicon.png
    │       │   ├── favicon.svg
    │       │   └── logo.svg
    │       ├── _templates
    │       │   ├── custom-base-template.rst
    │       │   ├── custom-class-template.rst
    │       │   └── custom-module-template.rst
    │       ├── tutorials
    │       │   ├── ar.ipynb
    │       │   ├── building.ipynb
    │       │   ├── deepar.ipynb
    │       │   ├── nhits.ipynb
    │       │   └── stallion.ipynb
    │       └── tutorials.rst
    ├── examples
    │   ├── ar.py
    │   ├── data
    │   │   └── stallion.parquet
    │   ├── nbeats.py
    │   └── stallion.py
    ├── LICENSE
    ├── poetry.lock
    ├── pyproject.toml
    ├── pytest.ini
    ├── pytorch_forecasting
    │   ├── data
    │   │   ├── encoders.py
    │   │   ├── examples.py
    │   │   ├── __init__.py
    │   │   ├── samplers.py
    │   │   └── timeseries.py
    │   ├── __init__.py
    │   ├── metrics
    │   │   ├── base_metrics.py
    │   │   ├── distributions.py
    │   │   ├── __init__.py
    │   │   ├── _mqf2_utils.py
    │   │   ├── point.py
    │   │   └── quantile.py
    │   ├── models
    │   │   ├── baseline.py
    │   │   ├── base_model.py
    │   │   ├── deepar
    │   │   │   └── __init__.py
    │   │   ├── __init__.py
    │   │   ├── mlp
    │   │   │   ├── __init__.py
    │   │   │   └── submodules.py
    │   │   ├── nbeats
    │   │   │   ├── __init__.py
    │   │   │   └── sub_modules.py
    │   │   ├── nhits
    │   │   │   ├── __init__.py
    │   │   │   └── sub_modules.py
    │   │   ├── nn
    │   │   │   ├── embeddings.py
    │   │   │   ├── __init__.py
    │   │   │   └── rnn.py
    │   │   ├── rnn
    │   │   │   └── __init__.py
    │   │   └── temporal_fusion_transformer
    │   │       ├── __init__.py
    │   │       ├── sub_modules.py
    │   │       └── tuning.py
    │   └── utils.py
    ├── README.md
    ├── setup.cfg
    └── tests
        ├── conftest.py
        ├── test_data
        │   ├── test_encoders.py
        │   ├── test_samplers.py
        │   └── test_timeseries.py
        ├── test_metrics.py
        ├── test_models
        │   ├── conftest.py
        │   ├── test_baseline.py
        │   ├── test_deepar.py
        │   ├── test_mlp.py
        │   ├── test_nbeats.py
        │   ├── test_nhits.py
        │   ├── test_nn
        │   │   ├── test_embeddings.py
        │   │   └── test_rnn.py
        │   ├── test_rnn_model.py
        │   └── test_temporal_fusion_transformer.py
        └── test_utils
            └── test_autocorrelation.py

24 directories, 83 files