​
1. 辅助函数

​
1.1 混合层

混合层由顺序的时间和特征多层感知机（MLP）组成。

来源

​
MixingLayer

 MixingLayer (n_series, input_size, dropout, ff_dim)

MixingLayer

来源

​
FeatureMixing

 FeatureMixing (n_series, input_size, dropout, ff_dim)

FeatureMixing

来源

​
TemporalMixing

 TemporalMixing (n_series, input_size, dropout)

TemporalMixing

​
2. 模型

来源

​
TSMixer

 TSMixer (h, input_size, n_series, futr_exog_list=None,
          hist_exog_list=None, stat_exog_list=None,
          exclude_insample_y=False, n_block=2, ff_dim=64, dropout=0.9,
          revin=True, 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=32, inference_windows_batch_size=32,
          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)

*TSMixer

时间序列混合器（TSMixer）是一个基于 MLP 的多元时间序列预测模型。TSMixer 通过重复结合时间信息和特征信息，使用堆叠的混合层，联合学习时间序列的时间和横截面表示。混合层由顺序的时间和特征多层感知机（MLP）组成。

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]。
n_series: int, 时间序列数量。
futr_exog_list: str list, 未来外生列。
hist_exog_list: str list, 历史外生列。
stat_exog_list: str list, 静态外生列。
exclude_insample_y: bool=False, 如果为 True，则从输入特征中排除目标变量。
n_block: int=2, 模型中的混合层数量。
ff_dim: int=64, 特征 MLP 中第二个前馈层的单元数量。
dropout: float=0.9, 范围在 (0, 1) 之间的 dropout 率。
revin: bool=True, 如果为 True，则使用逆实例归一化（Reverse Instance Normalization）处理输入和输出。
loss: PyTorch 模块, 从 损失函数集合 中实例化的训练损失类。
valid_loss: PyTorch 模块=loss, 从 损失函数集合 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, 介于 (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 max_steps 中。
early_stop_patience_steps: int=-1, 早停前验证迭代次数。
val_check_steps: int=100, 每隔多少训练步数检查一次验证损失。
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=32, 每个训练批次中采样的窗口数量，默认为全部。
inference_windows_batch_size: int=32, 每个推理批次中采样的窗口数量，-1 表示全部。
start_padding_enabled: bool=False, 如果为 True，模型将在时间序列开头用零填充，填充大小为 input_size。
step_size: int=1, 每个时间数据窗口之间的步长。
scaler_type: str=‘identity’, 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，则 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，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 的训练器 的关键字训练器参数。

参考文献
- Chen, Si-An, Chun-Liang Li, Nate Yoder, Sercan O. Arik, and Tomas Pfister (2023)。“TSMixer: An All-MLP Architecture for Time Series Forecasting.”*

​
TSMixer.fit

 TSMixer.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 函数优化神经网络的权重。在 fit 方法内部，我们使用 PyTorch Lightning 的 Trainer，它继承了初始化时的 self.trainer_kwargs 以自定义其输入，详情参见 PL 的训练器参数。

此方法设计用于兼容类似 SKLearn 的类，尤其是与 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，要启用保存，请在 __init__ 中更改 enable_checkpointing=True。

参数
dataset: NeuralForecast 的 TimeSeriesDataset，参见 文档。
val_size: int, 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, 时间交叉验证的测试集大小。
*

​
TSMixer.predict

 TSMixer.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, 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 (default=None), 要预测的目标分位数。
**data_module_kwargs: PL 的 TimeSeriesDataModule 参数，参见 文档。*

# Unit tests for models
logging.getLogger("pytorch_lightning").setLevel(logging.ERROR)
logging.getLogger("lightning_fabric").setLevel(logging.ERROR)
with warnings.catch_warnings():
    warnings.simplefilter("ignore")
    check_model(TSMixer, ["airpassengers"])

​
3. 使用示例

使用 predict 方法训练模型并预测未来值。

import pandas as pd
import matplotlib.pyplot as plt

from neuralforecast import NeuralForecast
from neuralforecast.models import TSMixer
from neuralforecast.utils import AirPassengersPanel, AirPassengersStatic
from neuralforecast.losses.pytorch import MAE, MQLoss

Y_train_df = AirPassengersPanel[AirPassengersPanel.ds<AirPassengersPanel['ds'].values[-12]].reset_index(drop=True) # 132 train
Y_test_df = AirPassengersPanel[AirPassengersPanel.ds>=AirPassengersPanel['ds'].values[-12]].reset_index(drop=True) # 12 test

model = TSMixer(h=12,
                input_size=24,
                n_series=2, 
                n_block=4,
                ff_dim=4,
                dropout=0,
                revin=True,
                scaler_type='standard',
                max_steps=500,
                early_stop_patience_steps=-1,
                val_check_steps=5,
                learning_rate=1e-3,
                loss=MQLoss(),
                batch_size=32
                )

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

# Plot predictions
fig, ax = plt.subplots(1, 1, figsize = (20, 7))
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=='Airline2'].drop('unique_id', axis=1)
plt.plot(plot_df['ds'], plot_df['y'], c='black', label='True')
plt.plot(plot_df['ds'], plot_df['TSMixer-median'], c='blue', label='median')
plt.fill_between(x=plot_df['ds'][-12:], 
                 y1=plot_df['TSMixer-lo-90'][-12:].values,
                 y2=plot_df['TSMixer-hi-90'][-12:].values,
                 alpha=0.4, label='level 90')
ax.set_title('AirPassengers Forecast', fontsize=22)
ax.set_ylabel('Monthly Passengers', fontsize=20)
ax.set_xlabel('Year', fontsize=20)
ax.legend(prop={'size': 15})
ax.grid()

使用 cross_validation 预测多个历史值。

fcst = NeuralForecast(models=[model], freq='M')
forecasts = fcst.cross_validation(df=AirPassengersPanel, static_df=AirPassengersStatic, n_windows=2, step_size=12)

# Plot predictions
fig, ax = plt.subplots(1, 1, figsize = (20, 7))
Y_hat_df = forecasts.loc['Airline1']
Y_df = AirPassengersPanel[AirPassengersPanel['unique_id']=='Airline1']

plt.plot(Y_df['ds'], Y_df['y'], c='black', label='True')
plt.plot(Y_hat_df['ds'], Y_hat_df['TSMixer-median'], c='blue', label='Forecast')
ax.set_title('AirPassengers Forecast', fontsize=22)
ax.set_ylabel('Monthly Passengers', fontsize=20)
ax.set_xlabel('Year', fontsize=20)
ax.legend(prop={'size': 15})
ax.grid()