Прогнозирование потребности в энергии: Прогноз нагрузки для больницы в Сан-Франциско

Мы можем обучить прогнозирующую модель другой распространенной задаче в области энергетики. В данном случае мы обучаем прогнозиста на один шаг вперед для предсказания потребления электроэнергии зданием.

Данный набор данных содержит ежечасные наблюдения за один год. Обучение будет проводиться на основе данных за 11 месяцев, оставив последний месяц для оценки.

if "google.colab" in str(get_ipython()):
    # удалите предустановленные пакеты 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/"

sf_load_df = pd.read_csv(data_location + "energy/SF_hospital_load.csv")
sf_load_df.head(3)

	ds	y
0	2015-01-01 01:00:00	778.007969
1	2015-01-01 02:00:00	776.241750
2	2015-01-01 03:00:00	779.357338

Общий прогноз: только функции, основанные на времени.

В этом первом разделе мы будем обучать модель только с функциями времени, как если бы мы делали это с Facebook Prophet.

m = NeuralProphet(
    weekly_seasonality=6,
    daily_seasonality=10,
    trend_reg=1,
    learning_rate=0.01,
)
df_train, df_test = m.split_df(sf_load_df, freq="H", valid_p=1.0 / 12)

metrics = m.fit(df_train, freq="H", validation_df=df_test, progress="bar")

metrics.tail(1)

	MAE_val	RMSE_val	Loss_val	RegLoss_val	epoch	MAE	RMSE	Loss	RegLoss
108	57.975113	80.128593	0.008979	0.0	108	46.005161	63.305355	0.004436	0.0

forecast = m.predict(df_train)
m.set_plotting_backend("plotly-static")
m.plot(forecast)

forecast = m.predict(df_test)
m = m.highlight_nth_step_ahead_of_each_forecast(1)
m.plot(forecast[-7 * 24 :])

m.plot_parameters()

Прогноз на 1 шаг вперед с авторегрессией

m = NeuralProphet(
    growth="off",
    yearly_seasonality=False,
    weekly_seasonality=False,
    daily_seasonality=False,
    n_lags=3 * 24,
    ar_reg=1,
    learning_rate=0.01,
)
df_train, df_test = m.split_df(sf_load_df, freq="H", valid_p=1.0 / 12)

metrics = m.fit(df_train, freq="H", validation_df=df_test, progress="bar")

metrics.tail(1)

	MAE_val	RMSE_val	Loss_val	RegLoss_val	epoch	MAE	RMSE	Loss	RegLoss
108	24.246571	37.293633	0.002822	0.000877	108	23.822706	35.911766	0.002339	0.000877

forecast = m.predict(df_train)
m.set_plotting_backend("plotly-static")
m.plot(forecast)

forecast = m.predict(df_test)
m = m.highlight_nth_step_ahead_of_each_forecast(1)
m.plot(forecast[-7 * 24 :])

m.plot_parameters()

Прогноз на 1 шаг вперед с AR-Net: использование нейронной сети

Здесь мы будем использовать мощь нейронной сети для аппроксимации нелинейных закономерностей.

m = NeuralProphet(
    growth="off",
    yearly_seasonality=False,
    weekly_seasonality=False,
    daily_seasonality=False,
    n_lags=3 * 24,
    ar_layers=[32, 32, 32, 32],
    learning_rate=0.003,
)
df_train, df_test = m.split_df(sf_load_df, freq="H", valid_p=1.0 / 12)

metrics = m.fit(df_train, freq="H", validation_df=df_test, progress="bar")

metrics.tail(1)

	MAE_val	RMSE_val	Loss_val	RegLoss_val	epoch	MAE	RMSE	Loss	RegLoss
108	7.14312	10.696775	0.00016	0.0	108	6.197587	9.060362	0.000093	0.0

forecast = m.predict(df_train)
m.set_plotting_backend("plotly-static")
m.plot(forecast)

forecast = m.predict(df_test)
m = m.highlight_nth_step_ahead_of_each_forecast(1)
m.plot(forecast[-7 * 24 :])

m.plot_components(forecast[-7 * 24 :])