Авторегрессия — это модель временных рядов, которая использует наблюдения из предыдущих временных шагов в качестве входных данных для уравнения регрессии, чтобы предсказать значение на следующем временном шаге.
Мы начинаем с той же модели, что и в предыдущем учебнике.
import pandas as pd
from neuralprophet import NeuralProphet, set_log_level
# Отключение сообщений журнала, кроме случаев ошибок
set_log_level("ERROR")
# Загрузка набора данных из CSV-файла с помощью pandas
df = pd.read_csv("https://github.com/ourownstory/neuralprophet-data/raw/main/kaggle-energy/datasets/tutorial01.csv")
# Модель и прогнозирование
m = NeuralProphet(
n_changepoints=10,
yearly_seasonality=True,
weekly_seasonality=True,
daily_seasonality=True,
)
m.set_plotting_backend("plotly-static")
metrics = m.fit(df)
forecast = m.predict(df)
m.plot(forecast)
Чтобы лучше понять, в чем заключается оставшееся несоответствие между нашей моделью и реальными данными, мы можем посмотреть на остатки. Остатки представляют собой разницу между прогнозом модели и реальными данными. Если модель идеальна, остатки должны быть равны нулю.
Давайте изучим, какое значение авторегрессии будет хорошим. Создайте график автокорреляции.
from statsmodels.graphics.tsaplots import plot_acf
plt = plot_acf(df_residuals["residuals"], lags=50)
Теперь мы добавляем авторегрессию в нашу модель с параметром n_lags
# Модель и прогнозирование
m = NeuralProphet(
# Отключение точек изменения тренда
n_changepoints=10,
# Отключение компонентов сезонности
yearly_seasonality=True,
weekly_seasonality=True,
daily_seasonality=True,
# Добавление авторегрессии
n_lags=10,
)
m.set_plotting_backend("matplotlib") # Использование matplotlib из-за #1235
metrics = m.fit(df)
forecast = m.predict(df)
m.plot(forecast)
Как мы видим, модель прогнозирования с авторегрессией значительно лучше подходит к данным, чем базовая модель. Не стесняйтесь исследовать, как различное количество лагов n_lags влияет на модель.
