DLinear

DLinear 是一种简单快速且准确的时间序列预测模型，适用于长期预测。

该架构具有以下独特特性：- 使用 Autoformmer 的趋势和季节性分解。- 用于趋势和季节性组件的简单线性层。

参考文献
- Zeng, Ailing, et al. “Transformer 对时间序列预测有效吗？.” Proceedings of the AAAI conference on artificial intelligence. Vol. 37. No. 9. 2023.”

​

1. 辅助函数

​

SeriesDecomp

 SeriesDecomp (kernel_size)

序列分解块

​

MovingAvg

 MovingAvg (kernel_size, stride)

用于突出时间序列趋势的移动平均块

​

2. DLinear

​

DLinear

 DLinear (h:int, input_size:int, stat_exog_list=None, hist_exog_list=None,
          futr_exog_list=None, exclude_insample_y=False,
          moving_avg_window:int=25, loss=MAE(), valid_loss=None,
          max_steps:int=5000, learning_rate:float=0.0001,
          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)

*DLinear

参数
h: int，预测范围。
input_size: int，用于截断训练反向传播的最大序列长度。
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，模型将跳过自回归特征 y[t-input_size:t]。
moving_avg_window: int=25，趋势-季节性分解的窗口大小。应为奇数。
loss: PyTorch 模块，实例化自 损失函数集合 的训练损失类。
valid_loss: PyTorch 模块=loss，实例化自 损失函数集合 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，均匀分布在 max_steps 中。
early_stop_patience_steps: int=-1，在提前停止前验证迭代次数。
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，默认使用全部。
inference_windows_batch_size: int=1024，每个推理批次中采样的窗口数量。
start_padding_enabled: bool=False，如果为 True，模型将在时间序列开头按输入大小填充零。
step_size: int=1，每个时间数据窗口之间的步长。
scaler_type: str=‘robust’，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，而非默认选择 (Adam)。
optimizer_kwargs: dict，可选，用户指定的 optimizer 所使用的参数列表。
lr_scheduler: ‘torch.optim.lr_scheduler.LRScheduler’ 的子类，可选，用户指定的 lr_scheduler，而非默认选择 (StepLR)。
lr_scheduler_kwargs: dict，可选，用户指定的 lr_scheduler 所使用的参数列表。
dataloader_kwargs: dict，可选，通过 TimeSeriesDataLoader 传递给 PyTorch Lightning dataloader 的参数列表。
**trainer_kwargs: int，继承自 PyTorch Lightning 的 trainer 的关键字 trainer 参数。

*References*<br/>
- Zeng, Ailing, et al. "Are transformers effective for time series forecasting?." Proceedings of the AAAI conference on artificial intelligence. Vol. 37. No. 9. 2023."*

​

DLinear.fit

 DLinear.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 等）以及在初始化时定义的 loss 函数来优化神经网络的权重。在 fit 中，我们使用一个 PyTorch Lightning 的 Trainer，它继承了初始化的 self.trainer_kwargs，以自定义其输入，参见 PL 的 trainer 参数。

该方法设计为与类似 SKLearn 的类兼容，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，若要保存，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。
*

​

DLinear.predict

 DLinear.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: list of floats，可选 (default=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 DLinear
from neuralforecast.utils import AirPassengersPanel, AirPassengersStatic, augment_calendar_df

AirPassengersPanel, calendar_cols = augment_calendar_df(df=AirPassengersPanel, freq='M')

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

model = DLinear(h=12,
                 input_size=24,
                 loss=MAE(),
                 scaler_type='robust',
                 learning_rate=1e-3,
                 max_steps=500,
                 val_check_steps=50,
                 early_stop_patience_steps=2)

nf = NeuralForecast(
    models=[model],
    freq='ME'
)
nf.fit(df=Y_train_df, static_df=AirPassengersStatic, val_size=12)
forecasts = nf.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])

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