DeepNPTS

深度非参数时间序列预测器（DeepNPTS）是一种用于时间序列预测的非参数基线模型。该模型通过根据可调策略对经验分布进行采样来生成预测。此策略通过利用多个相关时间序列的信息进行学习。该模型为时间序列预测提供了一个强大而简单的基线。

参考文献
Rangapuram, Syama Sundar, Jan Gasthaus, Lorenzo Stella, Valentin Flunkert, David Salinas, Yuyang Wang, and Tim Januschowski (2023). “Deep Non-Parametric Time Series Forecaster”. arXiv.

损失函数

此实现与原始工作不同之处在于，它将经验分布的加权和作为预测结果返回。因此，它仅支持点损失。

​

DeepNPTS

 DeepNPTS (h, input_size:int, hidden_size:int=32, batch_norm:bool=True,
           dropout:float=0.1, n_layers:int=2, stat_exog_list=None,
           hist_exog_list=None, futr_exog_list=None,
           exclude_insample_y=False, loss=MAE(), valid_loss=MAE(),
           max_steps:int=1000, learning_rate:float=0.001,
           num_lr_decays:int=3, early_stop_patience_steps:int=-1,
           val_check_steps:int=100, batch_size:int=32,
           valid_batch_size:Optional[int]=None,
           windows_batch_size:int=1024,
           inference_windows_batch_size:int=1024,
           start_padding_enabled=False, step_size:int=1,
           scaler_type:str='standard', random_seed:int=1,
           drop_last_loader=False, alias:Optional[str]=None,
           optimizer=None, optimizer_kwargs=None, lr_scheduler=None,
           lr_scheduler_kwargs=None, dataloader_kwargs=None,
           **trainer_kwargs)

*DeepNPTS

深度非参数时间序列预测器（DeepNPTS）是一种时间序列预测的基线模型。该模型通过根据可学习策略对经验分布进行（加权）采样来生成预测。该策略通过利用多个相关时间序列的信息进行学习。

参数
h: int，预测范围。
input_size: int，自回归输入大小，y=[1,2,3,4] input_size=2 -> y_[t-2:t]=[1,2]。
hidden_size: int=32，全连接层的隐藏层大小。
batch_norm: bool=True，如果为 True，则在网络中每个全连接层后应用批归一化。
dropout: float=0.1，dropout 比率。
n_layers: int=2，全连接层数量。
stat_exog_list: str 列表，静态外部变量列。
hist_exog_list: str 列表，历史外部变量列。
futr_exog_list: str 列表，未来外部变量列。
exclude_insample_y: bool=False，如果为 True，则模型跳过自回归特征 y[t-input_size:t]。
loss: PyTorch module，实例化后的训练损失类，来自损失函数集合。
valid_loss: PyTorch module=loss，实例化后的验证损失类，来自损失函数集合。
max_steps: int=1000，最大训练步数。
learning_rate: float=1e-3，学习率，范围 (0, 1)。
num_lr_decays: int=-1，学习率衰减次数，均匀分布在 max_steps 之间。
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，默认为全部。
inference_windows_batch_size: int=-1，每个推断批次中采样的窗口数量，-1 为全部。
start_padding_enabled: bool=False，如果为 True，模型将在时间序列开头用零进行填充，填充大小为 input_size。
step_size: int=1，每个时间数据窗口之间的步长。
scaler_type: str=‘identity’，用于时间输入归一化的缩放器类型，参见时间缩放器。
random_seed: int，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 将丢弃最后一个不完整的批次。
alias: str，可选，模型的自定义名称。
optimizer: Subclass of ‘torch.optim.Optimizer’，可选，用户指定的优化器代替默认选择（Adam）。
optimizer_kwargs: dict，可选，用户指定的 optimizer 使用的参数列表。
lr_scheduler: Subclass of ‘torch.optim.lr_scheduler.LRScheduler’，可选，用户指定的 lr_scheduler 代替默认选择（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，从PyTorch Lighning 的 trainer 继承的关键字训练器参数。

参考文献
- Rangapuram, Syama Sundar, Jan Gasthaus, Lorenzo Stella, Valentin Flunkert, David Salinas, Yuyang Wang, and Tim Januschowski (2023). “Deep Non-Parametric Time Series Forecaster”. arXiv.
*

​

DeepNPTS.fit

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

*训练。

fit 方法使用初始化参数（learning_rate、windows_batch_size 等）和初始化时定义的 loss 函数来优化神经网络的权重。在 fit 中，我们使用一个 PyTorch Lightning Trainer，它继承了初始化的 self.trainer_kwargs 来定制其输入，参见PL 的 trainer 参数。

该方法设计为与 SKLearn 类似的类兼容，特别是与 StatsForecast 库兼容。

默认情况下，模型不保存训练检查点以节省磁盘空间，若要获取检查点，请在 __init__ 中将 enable_checkpointing 更改为 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。
*

​

DeepNPTS.predict

 DeepNPTS.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: float 列表，可选 (默认=None)，目标预测分位数。
**data_module_kwargs: PL 的 TimeSeriesDataModule 参数，参见文档。*

check_model(DeepNPTS, ["airpassengers"])

​

使用示例

import pandas as pd
import matplotlib.pyplot as plt

from neuralforecast import NeuralForecast
from neuralforecast.models import DeepNPTS
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

nf = NeuralForecast(
    models=[DeepNPTS(h=12,
                   input_size=24,
                   stat_exog_list=['airline1'],
                   futr_exog_list=['trend'],
                   max_steps=1000,
                   val_check_steps=10,
                   early_stop_patience_steps=3,
                   scaler_type='robust',
                   enable_progress_bar=True),
    ],
    freq='ME'
)
nf.fit(df=Y_train_df, static_df=AirPassengersStatic, val_size=12)
Y_hat_df = nf.predict(futr_df=Y_test_df)

# Plot quantile predictions
Y_hat_df = Y_hat_df.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['DeepNPTS'], c='red', label='mean')
plt.grid()
plt.plot()