GRU

Cho 等人提出了门控循环单元（Gated Recurrent Unit, GRU），以改进 LSTM 和 Elman 单元。每个时间的预测由 MLP 解码器给出。这种架构与原始的多层 Elman RNN 非常相似，主要区别在于使用了 GRU 单元。预测是通过将隐藏状态转换为上下文 $\mathbf{c}_{[t+1:t+H]}$，然后通过 MLPs 解码和调整为 $\mathbf{\hat{y}}_{[t+1:t+H],[q]}$ 获得的。

其中 $\mathbf{h}_{t}$ 是时刻 $t$ 的隐藏状态，$\mathbf{y}_{t}$ 是时刻 $t$ 的输入，$\mathbf{h}_{t-1}$ 是前一层在 $t-1$ 时刻的隐藏状态，$\mathbf{x}^{(s)}$ 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
-Junyoung Chung, Caglar Gulcehre, KyungHyun Cho, Yoshua Bengio (2014). “Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling”.
-Kyunghyun Cho, Bart van Merrienboer, Dzmitry Bahdanau, Yoshua Bengio (2014). “On the Properties of Neural Machine Translation: Encoder-Decoder Approaches”.

​

GRU

 GRU (h:int, input_size:int=-1, inference_input_size:Optional[int]=None,
      encoder_n_layers:int=2, encoder_hidden_size:int=200,
      encoder_activation:Optional[str]=None, encoder_bias:bool=True,
      encoder_dropout:float=0.0, context_size:Optional[int]=None,
      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, recurrent=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=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=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)

*GRU

带有门控单元（GRU）的多层循环网络和 MLP 解码器。该网络具有非线性激活函数，使用 ADAM 随机梯度下降进行训练。网络接受静态、历史和未来外部输入数据，并展平输入。

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 -1 使用 3 * horizon
inference_input_size: int, 截断推理的最大序列长度。默认 None 使用 input_size 历史。
encoder_n_layers: int=2, GRU 的层数。
encoder_hidden_size: int=200, GRU 隐藏状态的大小单元。
encoder_activation: Optional[str]=None, 已弃用。PyTorch 中 GRU 的激活函数是固定的。
encoder_bias: bool=True, 是否在 GRU 单元内使用偏置 b_ih, b_hh。
encoder_dropout: float=0., 应用于 GRU 输出的 dropout 正则化。
context_size: 已弃用。
decoder_hidden_size: int=200, 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, 是否从输入中排除目标变量。
recurrent: bool=False, 是否递归（True）或直接（False）生成预测。
loss: PyTorch module, 损失集合中实例化的训练损失类。请参阅损失集合。
valid_loss: PyTorch module=loss, 损失集合中实例化的验证损失类。请参阅损失集合。
max_steps: int=1000, 最大训练步数。
learning_rate: float=1e-3, 学习率，范围在 (0, 1) 之间。
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, 早停前的验证迭代次数。
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。
windows_batch_size: int=128, 每个训练批次中抽取的窗口数量，默认使用全部。
inference_windows_batch_size: int=1024, 每个推理批次中抽取的窗口数量，-1 使用全部。
start_padding_enabled: bool=False, 如果为 True，模型将在时间序列开头用零填充，填充长度为 input size。
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，请参阅时间缩放器。
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 会丢弃最后一个非完整批次。
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，而非默认选项 (Adam)。
optimizer_kwargs: dict, 可选，用户指定 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，而非默认选项 (StepLR)。
lr_scheduler_kwargs: dict, 可选，用户指定 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 Lightning 的 trainer 继承的关键字 trainer 参数。
*

​

GRU.fit

 GRU.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, …) 和初始化时定义的 loss 函数来优化神经网络的权重。在 fit 方法中，我们使用 PyTorch Lightning 的 Trainer，它继承了初始化的 self.trainer_kwargs 参数，用于自定义其输入，请参阅 PL 的 Trainer 参数。

该方法旨在与类似 SKLearn 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保护磁盘内存；要获取检查点，请在 __init__ 中将 enable_checkpointing=True。

参数
dataset: NeuralForecast 的 TimeSeriesDataset，请参阅 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，会覆盖 model.__init__ 中的设置。
test_size: int, 用于时间交叉验证的测试集大小。
*

​

GRU.predict

 GRU.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，请参阅 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，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，请参阅 文档。*

​

使用示例

import pandas as pd
import matplotlib.pyplot as plt

from neuralforecast import NeuralForecast
# from neuralforecast.models import GRU
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=[GRU(h=12, input_size=24,
                loss=DistributionLoss(distribution='Normal', level=[80, 90]),
                scaler_type='robust',
                encoder_n_layers=2,
                encoder_hidden_size=128,
                decoder_hidden_size=128,
                decoder_layers=2,
                max_steps=200,
                futr_exog_list=None,
                hist_exog_list=['y_[lag12]'],
                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['GRU-median'], c='blue', label='median')
plt.fill_between(x=plot_df['ds'][-12:], 
                 y1=plot_df['GRU-lo-90'][-12:].values, 
                 y2=plot_df['GRU-hi-90'][-12:].values,
                 alpha=0.4, label='level 90')
plt.legend()
plt.grid()
plt.plot()