Коллекция предсказаний

Сначала давайте подгоним базовую модель:

if "google.colab" in str(get_ipython()):
    # удаление предустановленных пакетов из Colab, чтобы избежать конфликтов
    !pip uninstall -y torch notebook notebook_shim tensorflow tensorflow-datasets prophet torchaudio torchdata torchtext torchvision
    !pip install git+https://github.com/ourownstory/neural_prophet.git # может занять некоторое время
    #!pip install neuralprophet # намного быстрее, но может не иметь последних обновлений/исправлений ошибок

import pandas as pd
from neuralprophet import NeuralProphet, set_log_level

set_log_level("ERROR")

data_location = "https://raw.githubusercontent.com/ourownstory/neuralprophet-data/main/datasets/"
df = pd.read_csv(data_location + "air_passengers.csv")
df.tail(3)

	ds	y
141	1960-10-01	461
142	1960-11-01	390
143	1960-12-01	432

m = NeuralProphet(n_lags=5, n_forecasts=3)
metrics_train = m.fit(df=df, freq="MS")

Получение последнего прогноза df

Мы можем получить датафрейм с последним прогнозом для анализа данных.

df_fc = m.get_latest_forecast(forecast)
df_fc.head(3)

	ds	y	yhat1
0	1960-10-01	461.0	463.035004
1	1960-11-01	390.0	410.434906
2	1960-12-01	432.0	439.753998

Количество шагов перед включением последнего прогноза. Здесь мы включаем 5 шагов перед последним прогнозом.

df_fc = m.get_latest_forecast(forecast, include_previous_forecasts=5)
df_fc.head(3)

	ds	y	yhat6	yhat5	yhat4	yhat3	yhat2	yhat1
0	1960-05-01	472.0	476.862457	None	None	None	None	None
1	1960-06-01	535.0	531.84314	527.112732	None	None	None	None
2	1960-07-01	622.0	579.601501	576.99292	590.679077	None	None	None

Исторические данные могут быть включены, однако учтите, что размер df может быть большим.

df_fc = m.get_latest_forecast(forecast, include_history_data=True)
df_fc.head(3)

	ds	y	yhat1
0	1949-01-01	112.0	None
1	1949-02-01	118.0	None
2	1949-03-01	132.0	None

Собирайте прогнозы в выборке

Прогнозы отсортированы по цели прогноза

При вызове метода predict мы получаем df_forecast, где каждый 'yhat<i>' относится к предсказанию на <i> шагов вперед для даты и времени этой строки в качестве цели. Здесь <i> обозначает "возраст" предсказания.

например, yhat3 - это прогноз для этой даты и времени, сделанный 3 шага назад, он "устарел на 3 шага".

Обратите внимание на то, что в последней строке 1961-3-01 присутствует только прогноз yhat3, который был сделан на последнем месте с данными 1960-12-01. Поскольку у нас отсутствуют входные данные после этой точки, у нас нет более свежих прогнозов yhat1 от 1961-2-01 или yhat2 от 1961-1-01.

Мы также получаем отдельные компоненты прогноза, которые также относятся к их соответствующему вкладу в yhat<i>, прогнозируемому <i> шагов назад.

Компоненты без добавленного числа зависят только от времени или от будущих регрессоров, не имеют запаздывания, и поэтому представляют собой единичное значение.

df = pd.read_csv(data_location + "air_passengers.csv")
forecast = m.predict(df)
forecast.tail(3)

	ds	y	yhat1	residual1	yhat2	residual2	yhat3	residual3	ar1	ar2	ar3	trend	season_yearly
141	1960-10-01	461.0	464.689362	3.689362	467.748444	6.748444	474.838562	13.838562	-217.455673	-214.396606	-207.306473	702.886719	-20.741653
142	1960-11-01	390.0	409.214203	19.214203	408.547119	18.547119	417.346649	27.346649	-265.351379	-266.018463	-257.218933	709.864075	-35.298515
143	1960-12-01	432.0	424.255768	-7.744232	441.038513	9.038513	440.375763	8.375763	-306.486664	-289.703949	-290.366669	716.616394	14.12606

Прогнозы на основе начала прогноза

При вызове predict_raw мы получаем df, где каждый 'step<i>' относится к прогнозу на <i> шагов вперёд, начиная с даты и времени этой строки. Здесь <i> обозначает, на сколько шагов вперёд направлен прогноз.

Например, step0 - это прогноз на эту дату и время. step1 - это прогноз на следующие дату и время.

Все прогнозы для определенной строки были сделаны за один шаг до даты строки.

df = pd.read_csv(data_location + "air_passengers.csv")
forecast = m.predict(df, decompose=False, raw=True)
forecast.tail(3)

	ds	step0	step1	step2
136	1960-10-01	464.689362	408.547119	440.375763
137	1960-11-01	409.214203	441.038513	459.443207
138	1960-12-01	424.255768	446.244385	455.264343

Обратите внимание, что последняя строка содержит последний возможный прогноз. Прогнозируется 1961-1-01, 1961-2-01 и 1961-3-01 на основе данных, доступных на 1960-12-01.

Установка параметра decompose=True позволит включить отдельные компоненты прогноза, которые также относятся к их соответствующему вкладу в прогнозирование на step<i> шагов вперед.

df = pd.read_csv(data_location + "air_passengers.csv")
forecast = m.predict(df, decompose=True, raw=True)
forecast.tail(3)

	ds	step0	step1	step2	trend0	trend1	trend2	season_yearly0	season_yearly1	season_yearly2	ar0	ar1	ar2
136	1960-10-01	464.689362	408.547119	440.375763	702.886719	709.864075	716.616394	-20.741653	-35.298515	14.126060	-217.455673	-266.018463	-290.366669
137	1960-11-01	409.214203	441.038513	459.443207	709.864075	716.616394	723.593689	-35.298515	14.126060	5.574303	-265.351379	-289.703949	-269.724792
138	1960-12-01	424.255768	446.244385	455.264343	716.616394	723.593689	730.571045	14.126060	5.574303	-30.433420	-306.486664	-282.923584	-244.873322

Собирайте прогнозы вне выборки

Вот как вы можете прогнозировать будущее, которое неизвестно:

df = pd.read_csv(data_location + "air_passengers.csv")
future = m.make_future_dataframe(df, periods=3)  # periods=m.n_forecasts, n_historic_predictions=False

Теперь датафрейм с прогнозами содержит только предсказания о еще не наблюдаемом будущем.

	ds	y
3	1960-11-01	390
4	1960-12-01	432
5	1961-01-01	None
6	1961-02-01	None
7	1961-03-01	None

Прогнозы на основе прогнозируемой цели

forecast = m.predict(future)
forecast.tail(3)

	ds	y	yhat1	residual1	yhat2	residual2	yhat3	residual3	ar1	ar2	ar3	trend	season_yearly
5	1961-01-01	NaN	453.751007	NaN	None	NaN	None	NaN	-275.416962	None	None	723.593689	5.574303
6	1961-02-01	NaN	None	NaN	463.336273	NaN	None	NaN	None	-236.801361	None	730.571045	-30.43342
7	1961-03-01	NaN	None	NaN	None	NaN	522.325989	NaN	None	None	-191.955765	736.87323	-22.591486

Прогнозы на основе начала прогноза

Мы также можем получить прогнозы на основе начала прогноза. Здесь каждый stepX относится к X шагам от даты

forecast = m.predict(future, raw=True, decompose=False)
forecast

	ds	step0	step1	step2
0	1961-01-01	453.751007	463.336273	522.325989