TiDE

​

1. 辅助函数

​

1.1 MLP 残差

带有残差连接的 MLP 块。

​

MLPResidual

 MLPResidual (input_dim, hidden_size, output_dim, dropout, layernorm)

MLPResidual

​

2. 模型

​

TiDE

 TiDE (h, input_size, hidden_size=512, decoder_output_dim=32,
       temporal_decoder_dim=128, dropout=0.3, layernorm=True,
       num_encoder_layers=1, num_decoder_layers=1, temporal_width=4,
       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=-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)

*TiDE

时间序列密集编码器（TiDE）是一个基于 MLP 的单变量时间序列预测模型。TiDE 在编码器-解码器模型中使用多层感知器（MLP）进行长期时间序列预测。

参数
h: int, 预测范围。
input_size: int, 考虑的自回归输入（滞后），y=[1,2,3,4] input_size=2 -> lags=[1,2]。
hidden_size: int=1024, 密集 MLP 的单元数量。
decoder_output_dim: int=32, 解码器输出的单元数量。
temporal_decoder_dim: int=128, 时间解码器的隐藏大小单元数量。
dropout: float=0.0, (0, 1) 之间的 dropout 率。
layernorm: bool=True, 如果为 True，则在 MLP 残差块输出上使用层归一化。
num_encoder_layers: int=1, 编码器层数。
num_decoder_layers: int=1, 解码器层数。
temporal_width: int=4, 较低的时间投影维度。
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, 是否将目标变量从历史外部变量数据中排除。
loss: PyTorch 模块, 从 损失集合 中实例化的训练损失类。
valid_loss: PyTorch 模块=loss, 从 损失集合 中实例化的验证损失类。
max_steps: int=1000, 最大训练步数。
learning_rate: float=1e-3, (0, 1) 之间的学习率。
num_lr_decays: int=-1, 学习率衰减次数，均匀分布在最大步数内。
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=1024, 每个训练批次中采样的窗口数量，默认使用所有。
inference_windows_batch_size: int=1024, 每个推理批次中采样的窗口数量，-1 表示使用所有。
start_padding_enabled: bool=False, 如果为 True，模型将根据输入大小在时间序列的开头用零填充。
step_size: int=1, 每个时间数据窗口之间的步长。
scaler_type: str=‘identity’, 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: ‘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 lr_scheduler，而不是默认选择 (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，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 trainer 参数。

参考文献
- Das, Abhimanyu, Weihao Kong, Andrew Leach, Shaan Mathur, Rajat Sen 和 Rose Yu (2024)。“Long-term Forecasting with TiDE: Time-series Dense Encoder。”*

​

TiDE.fit

 TiDE.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）和初始化期间定义的 loss 函数来优化神经网络的权重。在 fit 方法中，我们使用 PyTorch Lightning Trainer，它继承了初始化的 self.trainer_kwargs 以自定义其输入，详见 PL 的 trainer 参数。

该方法设计为与 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内存，要获取它们，请在 __init__ 中将 enable_checkpointing 更改为 True。

参数
dataset: NeuralForecast 的 TimeSeriesDataset，详见 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。
*

​

TiDE.predict

 TiDE.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，详见 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 (默认=None)，要预测的目标分位数。
**data_module_kwargs: PL 的 TimeSeriesDataModule 参数，详见 文档。*

​

3. 使用示例

import pandas as pd
import matplotlib.pyplot as plt

from neuralforecast import NeuralForecast
from neuralforecast.models import TiDE
from neuralforecast.losses.pytorch import GMM
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=[
            TiDE(h=12,
                input_size=24,
                loss=GMM(n_components=7, return_params=True, level=[80,90], weighted=True),
                max_steps=100,
                scaler_type='standard',
                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['TiDE-median'], c='blue', label='median')
plt.fill_between(x=plot_df['ds'][-12:], 
                 y1=plot_df['TiDE-lo-90'][-12:].values,
                 y2=plot_df['TiDE-hi-90'][-12:].values,
                 alpha=0.4, label='level 90')
plt.legend()
plt.grid()