快速开始 (本地)

​

主要概念

mlforecast 的主要组件是 MLForecast 类，它抽象了

• 通过 MLForecast.fit 进行特征工程和模型训练
• 通过 MLForecast.predict 进行特征更新和多步超前预测

​

数据格式

数据应为 pandas long format 的 DataFrame，即每一行表示单个序列在给定时间的观测值，至少包含三列

• id_col: 标识每个序列的列。
• target_col: 包含每个时间戳序列值的列。
• time_col: 包含观测到序列值的时间的列。这些通常是时间戳，但也可以是连续整数。

这里我们展示一个使用经典 Box & Jenkins 航空数据的示例，该数据测量了 1949 年至 1960 年国际航空乘客的月度总数。来源：Box, G. E. P., Jenkins, G. M. and Reinsel, G. C. (1976) Time Series Analysis, Forecasting and Control. Third Edition. Holden-Day. Series G。

import pandas as pd
from utilsforecast.plotting import plot_series

df = pd.read_csv('https://datasets-nixtla.s3.amazonaws.com/air-passengers.csv', parse_dates=['ds'])
df.head()

df['unique_id'].value_counts()

AirPassengers    144
Name: unique_id, dtype: int64

在这里，unique_id 列的所有行都具有相同的值，因为这是一个单一时间序列；你可以通过将多个时间序列堆叠在一起并设置一列来区分它们。

我们还有包含时间戳的 ds 列，在这种情况下是月度频率，以及包含每个时间戳序列值的 y 列。

​

建模

fig = plot_series(df)

我们可以看到该序列有明显的趋势，因此我们可以进行一阶差分，即用每个值减去上一个月的值。这可以通过将 mlforecast.target_transforms.Differences([1]) 实例传递给 target_transforms 来实现。

然后我们可以使用上一年同一月份的值（滞后 12）作为特征来训练一个线性回归模型，这可以通过传递 lags=[12] 来实现。

from mlforecast import MLForecast
from mlforecast.target_transforms import Differences
from sklearn.linear_model import LinearRegression

fcst = MLForecast(
    models=LinearRegression(),
    freq='MS',  # our serie has a monthly frequency
    lags=[12],
    target_transforms=[Differences([1])],
)
fcst.fit(df)

MLForecast(models=[LinearRegression], freq=MS, lag_features=['lag12'], date_features=[], num_threads=1)

上一行计算了特征并训练了模型，所以现在我们可以计算预测值了。

​

预测

计算未来 12 个月的预测值

preds = fcst.predict(12)
preds

​

可视化结果

我们可以可视化我们的预测结果。

fig = plot_series(df, preds)

就这样！你已经训练了一个线性回归模型来预测 1961 年的航空乘客数量。