TCN

在深度学习中，长期以来序列建模被认为是循环网络的同义词，然而一些论文表明，简单的卷积架构可以通过展示更长的有效记忆来胜过像 LSTM 这样的典型循环网络。通过跳过时间连接，因果卷积滤波器可以应用于更长的时间跨度，同时保持计算效率。

通过将隐藏状态转换为上下文 $\mathbf{c}_{[t+1:t+H]}$ 来获得预测结果，这些上下文通过 MLPs 被解码并调整为 $\mathbf{\hat{y}}_{[t+1:t+H],[q]}$。

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，$\mathbf{x}^{(s)}$ 是静态外生输入，$\mathbf{x}^{(h)}_{t}$ 是历史外生输入，$\mathbf{x}^{(f)}_{[:t+H]}$ 是预测时可用的未来外生输入。

参考文献
-van den Oord, A., Dieleman, S., Zen, H., Simonyan, K., Vinyals, O., Graves, A., Kalchbrenner, N., Senior, A. W., & Kavukcuoglu, K. (2016). Wavenet: A generative model for raw audio. Computing Research Repository, abs/1609.03499. URL: http://arxiv.org/abs/1609.03499. arXiv:1609.03499.
-Shaojie Bai, Zico Kolter, Vladlen Koltun. (2018). An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling. Computing Research Repository, abs/1803.01271. URL: https://arxiv.org/abs/1803.01271.

​

TCN

 TCN (h:int, input_size:int=-1, inference_input_size:Optional[int]=None,
      kernel_size:int=2, dilations:List[int]=[1, 2, 4, 8, 16],
      encoder_hidden_size:int=128, encoder_activation:str='ReLU',
      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, 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:int=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=False,
      alias:Optional[str]=None, optimizer=None, optimizer_kwargs=None,
      lr_scheduler=None, lr_scheduler_kwargs=None, dataloader_kwargs=None,
      **trainer_kwargs)

*TCN

时间卷积网络 (TCN)，带有 MLP 解码器。历史编码器使用膨胀跳跃连接以获得高效的长时记忆，而架构的其余部分则允许与未来外生变量对齐。

参数
h: int, 预测范围 (forecast horizon)。
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 * 范围
inference_input_size: int, 截断推理的最大序列长度。默认 None 使用 input_size 历史记录。
kernel_size: int, 卷积核的大小。
dilations: int 列表, 控制核点之间的时间间隔；也称为 à trous 算法。
encoder_hidden_size: int=200, TCN 隐藏状态的大小单位。
encoder_activation: str=tanh, TCN 激活函数的类型，可选 tanh 或 relu。
context_size: int=10, 预测窗口中每个时间戳的上下文向量大小。
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 列表, 未来外生变量列。
hist_exog_list: str 列表, 历史外生变量列。
stat_exog_list: str 列表, 静态外生变量列。
loss: PyTorch 模块, 从 损失函数集合 实例化的训练损失类。
valid_loss: PyTorch 模块=loss, 从 损失函数集合 实例化的验证损失类。
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，在最大步数中均匀分布。
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。
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，默认使用全部。
inference_windows_batch_size: int=1024, 每个推理批次中采样的窗口数量，-1 使用全部。
start_padding_enabled: bool=False, 如果为 True，模型将在时间序列的开头用零进行填充，填充大小由 input_size 决定。
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，请参见 时间缩放器。
random_seed: int=1, 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，替代默认选择 (Adam)。
optimizer_kwargs: dict, 可选，用户指定的 optimizer 使用的参数列表。
lr_scheduler: ‘torch.optim.lr_scheduler.LRScheduler’ 的子类，可选，用户指定的学习率调度器 (lr_scheduler)，替代默认选择 (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 数据加载器的参数列表。
**trainer_kwargs: int, 继承自 PyTorch Lightning Trainer 的关键字训练器参数。
*

​

TCN.fit

 TCN.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，我们使用一个 PyTorch Lightning Trainer，它继承了初始化的 self.trainer_kwargs 参数，以便自定义其输入，请参见 PL 的训练器参数。

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

默认情况下，model 不保存训练检查点以保护磁盘空间，如需保存，请在 __init__ 中将 enable_checkpointing 改为 True。

参数
dataset: NeuralForecast 的 TimeSeriesDataset，请参见 文档。
val_size: int, 时间交叉验证的验证集大小。
random_seed: int=None, 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, 时间交叉验证的测试集大小。
*

​

TCN.predict

 TCN.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，请参见 文档。
test_size: int=None, 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, 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)，要预测的目标分位数。
**data_module_kwargs: PL 的 TimeSeriesDataModule 参数，请参见 文档。*

​

使用示例

import pandas as pd
import matplotlib.pyplot as plt

from neuralforecast import NeuralForecast
from neuralforecast.models import TCN
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=[TCN(h=12,
                input_size=-1,
                loss=DistributionLoss(distribution='Normal', level=[80, 90]),
                learning_rate=5e-4,
                kernel_size=2,
                dilations=[1,2,4,8,16],
                encoder_hidden_size=128,
                context_size=10,
                decoder_hidden_size=128,
                decoder_layers=2,
                max_steps=500,
                scaler_type='robust',
                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)

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