边界预测

在预测中，我们经常希望确保预测结果保持在一定范围内。例如，在预测产品的销量时，我们可能要求所有预测结果都为正数。因此，预测结果可能需要有边界。

使用 TimeGPT，您可以通过在调用预测函数之前对数据进行转换来创建边界预测。

1. 导入包

首先，我们安装并导入所需的包

import pandas as pd
import numpy as np

from nixtla import NixtlaClient

nixtla_client = NixtlaClient(
    # defaults to os.environ.get("NIXTLA_API_KEY")
    api_key = 'my_api_key_provided_by_nixtla'
)

👍 使用 Azure AI 端点

要使用 Azure AI 端点，请设置 base_url 参数

nixtla_client = NixtlaClient(base_url="you azure ai endpoint", api_key="your api_key")

2. 加载数据

我们使用来自《预测：原理与实践》的年度鸡蛋价格数据集。我们期望鸡蛋价格严格为正，因此我们希望将预测值限制为正。

注意

您可以使用 pip 安装 pyreadr
pip install pyreadr

import pyreadr
from pathlib import Path

# Download and store the dataset
url = 'https://github.com/robjhyndman/fpp3package/raw/master/data/prices.rda'
dst_path = str(Path.cwd().joinpath('prices.rda'))
result = pyreadr.read_r(pyreadr.download_file(url, dst_path), dst_path)

# Perform some preprocessing
df = result['prices'][['year', 'eggs']]
df = df.dropna().reset_index(drop=True)
df = df.rename(columns={'year':'ds', 'eggs':'y'})
df['ds'] = pd.to_datetime(df['ds'], format='%Y')
df['unique_id'] = 'eggs'

df.tail(10)

	ds	y	unique_id
84	1984-01-01	100.58	eggs
85	1985-01-01	76.84	eggs
86	1986-01-01	81.10	eggs
87	1987-01-01	69.60	eggs
88	1988-01-01	64.55	eggs
89	1989-01-01	80.36	eggs
90	1990-01-01	79.79	eggs
91	1991-01-01	74.79	eggs
92	1992-01-01	64.86	eggs
93	1993-01-01	62.27	eggs

我们可以看看价格在 20 世纪是如何演变的，这表明价格呈下降趋势。

nixtla_client.plot(df)

3. 使用 TimeGPT 进行边界预测

首先，我们转换目标数据。在这种情况下，我们将在预测之前对数据进行对数变换，以便我们只能预测正价格。

df_transformed = df.copy()
df_transformed['y'] = np.log(df_transformed['y'])

我们将创建未来 10 年的预测，并包含预测分布的 80、90 和 99.5 百分位数。

timegpt_fcst_with_transform = nixtla_client.forecast(df=df_transformed, h=10, freq='Y', level=[80, 90, 99.5])

INFO:nixtla.nixtla_client:Validating inputs...
INFO:nixtla.nixtla_client:Preprocessing dataframes...
INFO:nixtla.nixtla_client:Inferred freq: AS-JAN
INFO:nixtla.nixtla_client:Restricting input...
INFO:nixtla.nixtla_client:Calling Forecast Endpoint...

📘 Azure AI 中的可用模型

如果您正在使用 Azure AI 端点，请务必设置 model="azureai"

nixtla_client.forecast(..., model="azureai")

对于公共 API，我们支持两种模型：timegpt-1 和 timegpt-1-long-horizon。

默认情况下使用 timegpt-1。关于如何以及何时使用 timegpt-1-long-horizon，请参阅本教程。

创建预测后，我们需要反转之前应用的转换。对于对数变换，这意味着我们需要对预测进行指数化

cols_to_transform = [col for col in timegpt_fcst_with_transform if col not in ['unique_id', 'ds']]
for col in cols_to_transform:
    timegpt_fcst_with_transform[col] = np.exp(timegpt_fcst_with_transform[col])

现在，我们可以绘制预测图。我们包含了多个预测区间，表示预测分布的 80、90 和 99.5 百分位数。

nixtla_client.plot(
    df, 
    timegpt_fcst_with_transform, 
    level=[80, 90, 99.5],
    max_insample_length=20
)

预测和预测区间看起来是合理的。

让我们将这些预测与未应用转换的情况进行比较。在这种情况下，可能会预测出负价格。

timegpt_fcst_without_transform = nixtla_client.forecast(df=df, h=10, freq='Y', level=[80, 90, 99.5])

INFO:nixtla.nixtla_client:Validating inputs...
INFO:nixtla.nixtla_client:Preprocessing dataframes...
INFO:nixtla.nixtla_client:Inferred freq: AS-JAN
INFO:nixtla.nixtla_client:Restricting input...
INFO:nixtla.nixtla_client:Calling Forecast Endpoint...

事实上，我们现在观察到预测区间变为负值

nixtla_client.plot(
    df, 
    timegpt_fcst_without_transform, 
    level=[80, 90, 99.5],
    max_insample_length=20
)

例如，在 1995 年

timegpt_fcst_without_transform

	unique_id	ds	TimeGPT	TimeGPT-lo-99.5	TimeGPT-lo-90	TimeGPT-lo-80	TimeGPT-hi-80	TimeGPT-hi-90	TimeGPT-hi-99.5
0	eggs	1994-01-01	66.859756	43.103240	46.131448	49.319034	84.400479	87.588065	90.616273
1	eggs	1995-01-01	64.993477	-20.924112	-4.750041	12.275298	117.711656	134.736995	150.911066
2	eggs	1996-01-01	66.695808	6.499170	8.291150	10.177444	123.214173	125.100467	126.892446
3	eggs	1997-01-01	66.103325	17.304282	24.966939	33.032894	99.173756	107.239711	114.902368
4	eggs	1998-01-01	67.906517	4.995371	12.349648	20.090992	115.722042	123.463386	130.817663
5	eggs	1999-01-01	66.147575	29.162207	31.804460	34.585779	97.709372	100.490691	103.132943
6	eggs	2000-01-01	66.062637	14.671932	19.305822	24.183601	107.941673	112.819453	117.453343
7	eggs	2001-01-01	68.045769	3.915282	13.188964	22.950736	113.140802	122.902573	132.176256
8	eggs	2002-01-01	66.718903	-42.212631	-30.583703	-18.342726	151.780531	164.021508	175.650436
9	eggs	2003-01-01	67.344078	-86.239911	-44.959745	-1.506939	136.195095	179.647901	220.928067

这证明了对数变换在使用 TimeGPT 获取边界预测方面的价值，它使我们能够获得校准更佳的预测区间。

参考资料

Hyndman, Rob J., and George Athanasopoulos (2021). “预测：原理与实践 (第 3 版)”

入门指南

功能

部署

教程

使用案例

API 参考

1. 导入包

2. 加载数据

3. 使用 TimeGPT 进行边界预测

入门指南

功能

部署

教程

使用案例

API 参考

​1. 导入包

​2. 加载数据

​3. 使用 TimeGPT 进行边界预测

1. 导入包

2. 加载数据

3. 使用 TimeGPT 进行边界预测