# Урок 9: Глобальная модель
Работа с панельными данными (несколько временных рядов). NeuralProphet позволяет моделировать локальные и глобальные компоненты.
Мы используем набор данных ERCOT, который содержит данные для нескольких регионов. NeuralProphet требует, чтобы данные были представлены в одной колонке с дополнительной колонкой идентификатора для обозначения региона.
```python
import pandas as pd
df = pd.read_csv(
"https://github.com/ourownstory/neuralprophet-data/raw/main/datasets/multivariate/load_ercot_regions.csv"
)
fig = df.plot(figsize=(15, 5))
```
Сначала мы определяем базовую модель, которая использует глобальное моделирование. Это означает, что все регионы моделируются вместе.
```python
from neuralprophet import NeuralProphet, set_log_level
# Здесь мы используем тот же набор данных, только предобработанный для соответствия формату ввода NeuralProphet
df = pd.read_csv("https://github.com/ourownstory/neuralprophet-data/raw/main/datasets/multivariate/ercot-panel.csv")
df.head()
# Отключение сообщений журнала ниже уровня ошибки
set_log_level("ERROR")
# Базовая модель
m = NeuralProphet()
m.set_plotting_backend("plotly-static")
metrics = m.fit(df, freq="H")
forecast = m.predict(df)
m.plot(forecast, df_name="NORTH_C")
```
Затем мы определяем вторую модель, которая использует локальное моделирование. Это означает, что каждый регион моделируется отдельно по тенденции и сезонности.
```python
m = NeuralProphet(
trend_global_local="local",
seasonality_global_local="local",
)
m.set_plotting_backend("plotly-static")
metrics = m.fit(df, freq="H")
forecast = m.predict(df)
m.plot(forecast, df_name="NORTH_C")
```
