BiTCN

双向时间卷积网络 (BiTCN) 是一种基于两个时间卷积网络 (TCN) 的预测架构。第一个网络（“前向”）编码时间序列的未来协变量，而第二个网络（“后向”）编码过去的观测值和协变量。这种方法可以保留序列数据的时间信息，并且在计算上比常见的 RNN 方法（LSTM、GRU 等）更高效。与基于 Transformer 的方法相比，BiTCN 的空间复杂度更低，也就是说，它需要的参数量级要少得多。

如果您正在寻找一个参数量小（可训练参数少）、超参数少（仅 2 个）的模型，那么此模型可能是一个不错的选择。

参考文献
-Olivier Sprangers, Sebastian Schelter, Maarten de Rijke (2023)。参数高效的深度概率预测。《国际预测杂志》第 39 卷，第 1 期（2023 年 1 月 1 日）：332–45 页。URL：https://doi.org/10.1016/j.ijforecast.2021.11.011。
-Shaojie Bai, Zico Kolter, Vladlen Koltun。(2018)。序列建模的通用卷积网络和循环网络的实证评估。计算研究库，abs/1803.01271。URL：https://arxiv.org/abs/1803.01271。
-van den Oord, A., Dieleman, S., Zen, H., Simonyan, K., Vinyals, O., Graves, A., Kalchbrenner, N., Senior, A. W., & Kavukcuoglu, K. (2016)。Wavenet：一种原始音频生成模型。计算研究库，abs/1609.03499。URL：http://arxiv.org/abs/1609.03499。arXiv:1609.03499。

​

1. 辅助函数

​

TCNCell

 TCNCell (in_channels, out_channels, kernel_size, padding, dilation, mode,
          groups, dropout)

时间卷积网络单元，由 CustomConv1D 模块组成。

​

CustomConv1d

 CustomConv1d (in_channels, out_channels, kernel_size, padding=0,
               dilation=1, mode='backward', groups=1)

前向和后向卷积 Conv1D

​

2. BiTCN

​

BiTCN

 BiTCN (h:int, input_size:int, hidden_size:int=16, dropout:float=0.5,
        futr_exog_list=None, hist_exog_list=None, stat_exog_list=None,
        exclude_insample_y=False, loss=MAE(), valid_loss=None,
        max_steps:int=1000, learning_rate:float=0.001,
        num_lr_decays:int=-1, early_stop_patience_steps:int=-1,
        val_check_steps:int=100, batch_size:int=32,
        valid_batch_size:Optional[int]=None, windows_batch_size=1024,
        inference_windows_batch_size=1024, start_padding_enabled=False,
        step_size:int=1, scaler_type:str='identity', random_seed:int=1,
        drop_last_loader:bool=False, alias:Optional[str]=None,
        optimizer=None, optimizer_kwargs=None, lr_scheduler=None,
        lr_scheduler_kwargs=None, dataloader_kwargs=None,
        **trainer_kwargs)

*BiTCN

双向时间卷积网络 (BiTCN) 是一种基于两个时间卷积网络 (TCN) 的预测架构。第一个网络（“前向”）编码时间序列的未来协变量，而第二个网络（“后向”）编码过去的观测值和协变量。这是一种单变量模型。

参数
h: int, 预测范围。
input_size: int, 考虑的自回归输入（滞后），y=[1,2,3,4] input_size=2 -> 滞后=[1,2]。
hidden_size: int=16, TCN 隐藏状态的大小单元。
dropout: float=0.1, 整个架构中 dropout 层使用的 dropout 率。
futr_exog_list: str list, 未来外部特征列。
hist_exog_list: str list, 历史外部特征列。
stat_exog_list: str list, 静态外部特征列。
exclude_insample_y: bool=False, 如果为 True，模型将跳过自回归特征 y[t-input_size:t]。
loss: PyTorch 模块，从损失集合中实例化的训练损失类。
valid_loss: PyTorch 模块=loss，从损失集合中实例化的验证损失类。
max_steps: int=1000, 最大训练步数。
learning_rate: float=1e-3, 学习率介于 (0, 1) 之间。
num_lr_decays: int=-1, 学习率衰减次数，在 max_steps 中均匀分布。
early_stop_patience_steps: int=-1, 早停前验证迭代次数。
val_check_steps: int=100, 每次验证损失检查之间的训练步数。
batch_size: int=32, 每个批次中不同序列的数量。
valid_batch_size: int=None, 每个验证和测试批次中不同序列的数量，如果为 None 则使用 batch_size。
windows_batch_size: int=1024, 每个训练批次中采样的窗口数量，默认为使用所有窗口。
inference_windows_batch_size: int=1024, 每个推理批次中采样的窗口数量，-1 表示使用所有窗口。
start_padding_enabled: bool=False, 如果为 True，模型将在时间序列开头填充零，填充大小为输入大小。
step_size: int=1, 每个时间数据窗口之间的步长。
scaler_type: str=‘identity’, 时间输入归一化的缩放器类型，参见时间序列缩放器。
random_seed: int=1, 用于 pytorch 初始化器和 numpy 生成器的随机种子。
drop_last_loader: bool=False, 如果为 True，TimeSeriesDataLoader 将丢弃最后一个非完整批次。
alias: str, 可选，模型的自定义名称。
optimizer: ‘torch.optim.Optimizer’ 的子类，可选，用户指定的优化器，而非默认选项 (Adam)。
optimizer_kwargs: dict, 可选，用户指定的 optimizer 使用的参数列表。
lr_scheduler: ‘torch.optim.lr_scheduler.LRScheduler’ 的子类，可选，用户指定的 lr_scheduler，而非默认选项 (StepLR)。
lr_scheduler_kwargs: dict, 可选，用户指定的 lr_scheduler 使用的参数列表。
dataloader_kwargs: dict, 可选，由 TimeSeriesDataLoader 传递给 PyTorch Lightning dataloader 的参数列表。
**trainer_kwargs: int, 继承自 PyTorch Lightning Trainer 的关键字 trainer 参数。

参考文献

• Olivier Sprangers, Sebastian Schelter, Maarten de Rijke (2023)。参数高效的深度概率预测。《国际预测杂志》第 39 卷，第 1 期（2023 年 1 月 1 日）：332–45 页。URL：https://doi.org/10.1016/j.ijforecast.2021.11.011。
  *

​

BiTCN.fit

 BiTCN.fit (dataset, val_size=0, test_size=0, random_seed=None,
            distributed_config=None)

*拟合。

fit 方法使用初始化参数 (learning_rate, windows_batch_size, …) 和初始化期间定义的 loss 函数来优化神经网络的权重。在 fit 方法中，我们使用 PyTorch Lightning Trainer，它继承了初始化时的 self.trainer_kwargs 来定制其输入，参见PL 的 trainer 参数。该方法设计用于兼容类似 SKLearn 的类，特别是与 StatsForecast 库兼容。默认情况下，model 不保存训练检查点以保护磁盘内存，要保存检查点，请在 __init__ 中更改 enable_checkpointing=True。

本方法设计为兼容类似 SKLearn 的类，尤其兼容 StatsForecast 库。

默认情况下，模型不保存训练检查点，以保护磁盘空间。为了获取它们，请在 __init__ 中将 enable_checkpointing 设置为 True。

参数
dataset: NeuralForecast 的TimeSeriesDataset，参见文档。
val_size: int, 用于时间序列交叉验证的验证集大小。
random_seed: int=None, 用于 pytorch 初始化器和 numpy 生成器的随机种子，会覆盖 model.__init__ 中的设置。
test_size: int, 用于时间序列交叉验证的测试集大小。
*

​

BiTCN.predict

 BiTCN.predict (dataset, test_size=None, step_size=1, random_seed=None,
                quantiles=None, **data_module_kwargs)

*预测。

使用 PL 的 Trainer 执行 predict_step 进行神经网络预测。

参数
dataset: NeuralForecast 的TimeSeriesDataset，参见文档。
test_size: int=None, 用于时间序列交叉验证的测试集大小。
step_size: int=1, 每个窗口之间的步长。
random_seed: int=None, 用于 pytorch 初始化器和 numpy 生成器的随机种子，会覆盖 model.__init__ 中的设置。
quantiles: list of floats, 可选 (默认=None), 要预测的目标分位数。
**data_module_kwargs: PL 的 TimeSeriesDataModule 参数，参见文档。*

​

使用示例

import pandas as pd
import matplotlib.pyplot as plt

from neuralforecast import NeuralForecast
from neuralforecast.losses.pytorch import GMM
from neuralforecast.models import BiTCN
from neuralforecast.utils import AirPassengersPanel, AirPassengersStatic

Y_train_df = AirPassengersPanel[AirPassengersPanel.ds<AirPassengersPanel['ds'].values[-12]] # 132 train
Y_test_df = AirPassengersPanel[AirPassengersPanel.ds>=AirPassengersPanel['ds'].values[-12]].reset_index(drop=True) # 12 test

fcst = NeuralForecast(
    models=[
            BiTCN(h=12,
                input_size=24,
                loss=GMM(n_components=7, level=[80,90]),
                max_steps=100,
                scaler_type='standard',
                futr_exog_list=['y_[lag12]'],
                hist_exog_list=None,
                stat_exog_list=['airline1'],
                windows_batch_size=2048,
                val_check_steps=10,
                early_stop_patience_steps=-1,
                ),     
    ],
    freq='ME'
)
fcst.fit(df=Y_train_df, static_df=AirPassengersStatic)
forecasts = fcst.predict(futr_df=Y_test_df)

# Plot quantile predictions
Y_hat_df = forecasts.reset_index(drop=False).drop(columns=['unique_id','ds'])
plot_df = pd.concat([Y_test_df, Y_hat_df], axis=1)
plot_df = pd.concat([Y_train_df, plot_df])

plot_df = plot_df[plot_df.unique_id=='Airline1'].drop('unique_id', axis=1)
plt.plot(plot_df['ds'], plot_df['y'], c='black', label='True')
plt.plot(plot_df['ds'], plot_df['BiTCN-median'], c='blue', label='median')
plt.fill_between(x=plot_df['ds'][-12:], 
                 y1=plot_df['BiTCN-lo-90'][-12:].values,
                 y2=plot_df['BiTCN-hi-90'][-12:].values,
                 alpha=0.4, label='level 90')
plt.legend()
plt.grid()