tsforecast

基于滑动窗口进行时间序列多步预测的工具tsforecast。

原理

滑动窗口自监督的数据标注：

训练好模型后，滑动窗口递归地进行多步预测：

借用deepmind wavenet 中一动画更直观理解多步预测，

演示

一下的演示均使用tsforecast内置一个带两个隐层的前馈神经网络作为训练模型，

示例一：

示例二：

示例三：

示例四：

安装

本项目只依赖numpy、tensorflow等常用工具库，非常轻量。

克隆项目到{your_path}，

git clone https://github.com/allenwind/time-series-forecast.git

打开.bashrc添加项目路径到PYTHONPATH环境变量中，

export PYTHONPATH={your_path}/time-series-forecast:$PYTHONPATH

然后，

source ~/.bashrc

然后可以到examples目录下跑一下example-1.py、example-2.py这两个例子。

使用

根据场景和需求设计你的模型或特征函数并实现如下接口：

class ModelBase:

    """
    1. 关注场景本身，根据场景定义模型，如果是机器学习模型，则关注特征函数
    2. 关注如何训练与优化模型的实现
    3. 无状态，确定的输入，确定的输出，不随时间、操作变化
    4. 模型持久化
    """

    def fit(self, X, y, epochs=None, batch_size=None, validation_rate=0):
        # validation_rate
        # 输入的数据中，取部分作为验证集合，通常用在 callback 中
        pass

    def predict(self, X):
        pass

    def reset(self):
        # 清空模型权重
        pass

    @property
    def window_size(self):
        # 返回滑动窗口的大小
        # window_size 作为一个超参数，像 batch_size 一样关乎模型的预测效果
        return self._window_size

使用你的模型以及具体的数据进行预测：

from tsforecast import TimeSeriesForecaster

model = YourModel(window_size, your_params)
series = load_your_data()
fr = TimeSeriesForecaster(model)
fr.fit(series, epochs=100, batch_size=50, validation_rate=0)
pred_series = fr.forecast(n_steps=100)

实际情况可能还涉及交叉验证、数据预处理等。可参考 examples 目录下两个例子。