README

快速开始

模型概述

相较于prophet的改进

趋势项

季节性

http://neuralprophet.com/model/seasonality/

为季节性建模

NeuralProphet中的季节性使用傅里叶项建模。它可以指定加法和乘法模式。

加法季节性

季节性的默认模式是加法。请看下面NeuralProphet中加法季节性的简单例子。

m = NeuralProphet()metrics = m.fit(df, freq="D")

http://neuralprophet.com/images/plot_comp_seasonality_1.png

plot-comp-1

你可以看到每周和每年的季节性形状。由于在模型开发中没有明确说明所需的季节性，NeuralProphet会拟合数据中可能存在的任何季节性。模型还为每个季节性所需的Fourier项数分配了默认值。您也可以像下面的例子一样指定这些数字。

m = NeuralProphet(    yearly_seasonality=8,    weekly_seasonality=3)

根据这个例子，年季节性模式将使用8个傅立叶项，周季节性模式将使用3个傅立叶项。通过调整Fourier项的数量，你可以对季节性进行低拟合或过拟合。下面是一个例子，对于同样的数据，每个季节性的Fourier项数都很高，季节性被过度拟合。

m = NeuralProphet(    yearly_seasonality=16,    weekly_seasonality=8)

http://neuralprophet.com/images/plot_comp_seasonality_2.png

plot-comp-1

乘法季节性

季节性也可以通过设置明确的模式来进行多重建模，如下图所示。这样做，季节性相对于趋势将是乘法的。

m = NeuralProphet(    seasonality_mode='multiplicative')

正则化季节性

就像NeuralProphet中的所有其他组件一样，季节性也可以被正则化。这是通过正则化傅里叶系数来实现的，如下图。关于如何设置 seasonality_reg 参数的细节，请参考超参数选取一节。

m = NeuralProphet(    yearly_seasonality=16,    weekly_seasonality=8,    daily_seasonality=False,    seasonality_reg=1,)