NLinear
NLinear 是一个简单、快速且准确的时间序列预测模型，适用于长范围预测。
该架构旨在在数据集分布发生变化时提升性能：1. NLinear 首先用输入减去序列的最后一个值；2. 然后，输入通过一个线性层，并在进行最终预测之前将减去的部分加回去。
参考文献
- Zeng, Ailing 等人。“Transformer 对时间序列预测有效吗？.” AAAI 人工智能会议论文集. 第 37 卷. 第 9 期. 2023。”
来源
NLinear
*NLinear
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: 字符串列表, 静态外生列。
hist_exog_list: 字符串列表, 历史外生列。
futr_exog_list: 字符串列表, 未来外生列。
exclude_insample_y: bool=False, 如果为 True，模型会跳过自回归特征 y[t-input_size:t]。
loss: PyTorch 模块, 来自 损失集合中实例化训练损失类。
valid_loss: PyTorch 模块=loss, 来自 损失集合中实例化验证损失类。
max_steps: int=1000, 最大训练步数。
learning_rate: float=1e-3, 学习率 (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, 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。
start_padding_enabled: bool=False, 如果为 True, 模型将通过 input size 在时间序列开头填充零。
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 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: ‘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: 字典, 可选, 用户指定 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 而不是默认选择 (StepLR)。
lr_scheduler_kwargs: 字典, 可选, 用户指定 lr_scheduler 使用的参数列表。
dataloader_kwargs: 字典, 可选, 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 trainer 参数。
NLinear.fit
*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 中，我们使用一个 PyTorch Lightning 的 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。
该方法设计为与 SKLearn-like 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，要获取它们，请在 __init__ 中更改 enable_checkpointing=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__ 的设置。
test_size: int, 用于时间交叉验证的测试集大小。
*
NLinear.predict
*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__ 的设置。
quantiles: 浮点数列表, 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。*