# 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")
```
---
# Agent Instructions: Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.
Perform an HTTP GET request on the current page URL with the `ask` query parameter:
```
GET https://bemind.gitbook.io/neural/neuralprophet/novye-uroki/urok-9-globalnaya-model.md?ask=
```
The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.
Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.
