Dilated RNN

膨胀循环神经网络（DilatedRNN）解决了建模长序列的常见挑战，如梯度消失、计算效率低下以及提高模型灵活性以建模复杂关系同时保持其简洁性。DilatedRNN 通过在时间维度和网络深度维度上使用跳跃连接构建了一个深度 RNN 层堆栈。时间膨胀循环跳跃连接提供了关注多分辨率输入的能力。预测是通过将隐藏状态转换为上下文（$\mathbf{c}_{[t+1:t+H]}$）获得，然后通过 MLPs 解码并调整为（$\mathbf{\hat{y}}_{[t+1:t+H],[q]}$）。

其中 $\mathbf{h}_{t}$ 是时间 $t$ 的隐藏状态，$\mathbf{y}_{t}$ 是时间 $t$ 的输入，$\mathbf{h}_{t-1}$ 是前一层在 $t-1$ 的隐藏状态，$\mathbf{x}^{(s)}$ 是静态外部输入，$\mathbf{x}^{(h)}_{t}$ 是历史外部输入，$\mathbf{x}^{(f)}_{[:t+H]}$ 是预测时可用的未来外部输入。

参考文献
-Shiyu Chang 等人。“Dilated Recurrent Neural Networks”。
-Yao Qin 等人。“A Dual-Stage Attention-Based recurrent neural network for time series prediction”。
-Kashif Rasul 等人。“Zalando Research: PyTorch Dilated Recurrent Neural Networks”。

​

DilatedRNN

 DilatedRNN (h:int, input_size:int=-1,
             inference_input_size:Optional[int]=None,
             cell_type:str='LSTM', dilations:List[List[int]]=[[1, 2], [4,
             8]], encoder_hidden_size:int=128, context_size:int=10,
             decoder_hidden_size:int=128, decoder_layers:int=2,
             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=3,
             early_stop_patience_steps:int=-1, val_check_steps:int=100,
             batch_size=32, valid_batch_size:Optional[int]=None,
             windows_batch_size=128, inference_windows_batch_size=1024,
             start_padding_enabled=False, step_size:int=1,
             scaler_type:str='robust', 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)

*DilatedRNN

参数
h: int, 预测范围。
input_size: int, 截断训练反向传播的最大序列长度。默认值 -1 使用 3 * horizon
inference_input_size: int, 截断推理的最大序列长度。默认值 None 使用 input_size 历史。
cell_type: str, 要使用的 RNN 单元类型。选项：‘GRU’, ‘RNN’, ‘LSTM’, ‘ResLSTM’, ‘AttentiveLSTM’。
dilations: int list, 层之间的膨胀率列表。
encoder_hidden_size: int=200, RNN 隐藏状态的大小单元。
context_size: int=10, 预测窗口上每个时间步长的上下文向量大小。
decoder_hidden_size: int=200, 用于 MLP 解码器的隐藏层大小。
decoder_layers: int=2, MLP 解码器的层数。
futr_exog_list: str list, 未来外部变量列。
hist_exog_list: str list, 历史外部变量列。
stat_exog_list: str list, 静态外部变量列。
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 module, 从损失函数集合中实例化的训练损失类。
valid_loss: PyTorch module=loss, 从损失函数集合中实例化的验证损失类。
max_steps: int, 最大训练步数。
learning_rate: float, (0, 1) 之间的学习率。
num_lr_decays: int, 学习率衰减的次数，在 max_steps 中均匀分布。
early_stop_patience_steps: int, 早停之前所需的验证迭代次数。
val_check_steps: int, 每两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。
windows_batch_size: int=128, 每个训练批次中采样的窗口数量，默认为全部。
inference_windows_batch_size: int=1024, 每个推理批次中采样的窗口数量，-1 为全部。
start_padding_enabled: bool=False, 如果为 True，模型将在时间序列的开头用零进行填充，长度为输入大小。

step_size: int=1, 每个时间数据窗口之间的步长。
scaler_type: str=‘robust’, 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=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不是默认选择 (Adam)。
optimizer_kwargs: dict, 可选，用户指定优化器使用的参数列表。
lr_scheduler: ‘torch.optim.lr_scheduler.LRScheduler’ 的子类，可选，用户指定的学习率调度器而不是默认选择 (StepLR)。
lr_scheduler_kwargs: dict, 可选，用户指定的学习率调度器使用的参数列表。
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 的关键字训练器参数。
*

​

DilatedRNN.fit

 DilatedRNN.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, ...) 和初始化时定义的 loss 函数来优化神经网络的权重。在 fit 方法内部，我们使用 PyTorch Lightning 的 Trainer，它继承了初始化的 self.trainer_kwargs 来定制其输入，详情参见PL 的训练器参数。

该方法设计为与 SKLearn 风格的类兼容，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，要保存检查点，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，覆盖 model.__init__ 中的设置。
test_size: int, 用于时间交叉验证的测试集大小。
*

​

DilatedRNN.predict

 DilatedRNN.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，覆盖 model.__init__ 中的设置。
quantiles: float 列表，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.models import DilatedRNN
from neuralforecast.losses.pytorch import DistributionLoss
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=[DilatedRNN(h=12,
                       input_size=-1,
                       loss=DistributionLoss(distribution='Normal', level=[80, 90]),
                       scaler_type='robust',
                       encoder_hidden_size=100,
                       max_steps=200,
                       futr_exog_list=['y_[lag12]'],
                       hist_exog_list=None,
                       stat_exog_list=['airline1'],
    )
    ],
    freq='ME'
)
fcst.fit(df=Y_train_df, static_df=AirPassengersStatic)
forecasts = fcst.predict(futr_df=Y_test_df)

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['DilatedRNN-median'], c='blue', label='median')
plt.fill_between(x=plot_df['ds'][-12:], 
                 y1=plot_df['DilatedRNN-lo-90'][-12:].values, 
                 y2=plot_df['DilatedRNN-hi-90'][-12:].values,
                 alpha=0.4, label='level 90')
plt.legend()
plt.grid()
plt.plot()