GluonTS - Python中的概率时间序列建模

📢 最新消息: 我们发布了 Chronos, 一套用于零样本时间序列预测的预训练模型。Chronos 能够为训练过程中未见过的新时间序列生成准确的概率预测。请在此处查看 Chronos！

GluonTS 是一个基于 PyTorch 和 MXNet 的 Python 包，专注于深度学习驱动的概率时间序列建模。

安装

GluonTS 需要 Python 3.7 或更高版本，最简单的安装方式是通过 pip：

# 安装支持 PyTorch 模型的版本
pip install "gluonts[torch]"

# 安装支持 MXNet 模型的版本
pip install "gluonts[mxnet]"

更多关于如何安装 GluonTS 的信息，请参阅 文档。

简单示例

为了说明如何使用 GluonTS，我们使用航空旅客数据集训练了一个 DeepAR 模型，并进行预测。该数据集包含 1949 年至 1960 年间每月的旅客数量时间序列。我们用前九年数据训练模型，并对剩余三年的数据进行预测。

import pandas as pd
import matplotlib.pyplot as plt

from gluonts.dataset.pandas import PandasDataset
from gluonts.dataset.split import split
from gluonts.torch import DeepAREstimator

# 从 CSV 文件加载数据到 PandasDataset 中
df = pd.read_csv(
    "https://raw.githubusercontent.com/AileenNielsen/"
    "TimeSeriesAnalysisWithPython/master/data/AirPassengers.csv",
    index_col=0,
    parse_dates=True,
)
dataset = PandasDataset(df, target="#Passengers")

# 将数据分为训练集和测试集
training_data, test_gen = split(dataset, offset=-36)
test_data = test_gen.generate_instances(prediction_length=12, windows=3)

# 训练模型并进行预测
model = DeepAREstimator(
    prediction_length=12, freq="M", trainer_kwargs={"max_epochs": 5}
).train(training_data)

forecasts = list(model.predict(test_data.input))

# 绘制预测结果
plt.plot(df["1954":], color="black")
for forecast in forecasts:
  forecast.plot()
plt.legend(["真实值"], loc="upper left", fontsize="xx-large")
plt.show()

请注意，预测以概率分布的形式展示，阴影区域表示 50% 和 90% 的预测区间。

贡献

如果您希望为该项目做出贡献，请参阅我们的 贡献指南。

引用

如果您在科学出版物中使用 GluonTS，除了与您的工作相关的特定模型引用外，我们鼓励您在相关论文中添加以下参考文献：

@article{gluonts_jmlr,
  author  = {Alexander Alexandrov and Konstantinos Benidis and Michael Bohlke-Schneider
    and Valentin Flunkert and Jan Gasthaus and Tim Januschowski and Danielle C. Maddix
    and Syama Rangapuram and David Salinas and Jasper Schulz and Lorenzo Stella and
    Ali Caner Türkmen and Yuyang Wang},
  title   = {{GluonTS: Probabilistic and Neural Time Series Modeling in Python}},
  journal = {Journal of Machine Learning Research},
  year    = {2020},
  volume  = {21},
  number  = {116},
  pages   = {1-6},
  url     = {http://jmlr.org/papers/v21/19-820.html}
}

@article{gluonts_arxiv,
  author  = {Alexandrov, A. and Benidis, K. and Bohlke-Schneider, M. and
    Flunkert, V. and Gasthaus, J. and Januschowski, T. and Maddix, D. C.
    and Rangapuram, S. and Salinas, D. and Schulz, J. and Stella, L. and
    Türkmen, A. C. and Wang, Y.},
  title   = {{GluonTS: Probabilistic Time Series Modeling in Python}},
  journal = {arXiv preprint arXiv:1906.05264},
  year    = {2019}
}

链接

文档

• 文档（稳定版）
• 文档（开发版）

参考文献

• JMLR MLOSS 论文
• ArXiv 论文
• GluonTS 团队收集的论文: 一份参考文献列表。

教程和研讨会

• IJCAI 2021 教程（附视频），YouTube 链接。
• WWW 2020 教程（附视频）
• SIGMOD 2019 教程
• KDD 2019 教程
• VLDB 2018 教程
• 使用 GluonTS 进行神经时间序列建模
• 国际预测研讨会：深度学习预测研讨会

GluonTS 快速上手指南

GluonTS 是一个用于概率时间序列建模的 Python 库，专注于基于深度学习的方法（支持 PyTorch 和 MXNet 后端）。它能够帮助开发者轻松构建、训练和预测时间序列模型，并提供概率分布形式的预测结果。

环境准备

• 操作系统：Linux, macOS, Windows
• Python 版本：3.7 或更高
• 前置依赖：
  • 建议先安装 pip 包管理工具。
  • 根据需求选择深度学习框架：PyTorch 或 MXNet（本指南以目前更主流的 PyTorch 为例）。
• 国内加速建议： 在中国大陆地区，建议使用清华或阿里云镜像源加速安装过程。

安装步骤

1. 配置 pip 镜像源（可选但推荐）

临时使用清华镜像源进行安装：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple "gluonts[torch]"

若需永久配置，可将以下内容写入 ~/.config/pip/pip.conf (Linux/Mac) 或 %APPDATA%\pip\pip.ini (Windows)：

[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple

2. 安装 GluonTS

选项 A：安装支持 PyTorch 的版本（推荐）

pip install "gluonts[torch]"

选项 B：安装支持 MXNet 的版本

pip install "gluonts[mxnet]"

注意：如果系统未预先安装 PyTorch 或 MXNet，上述命令会自动安装对应的基础框架。

基本使用

以下示例演示如何使用 GluonTS 加载经典的“航空乘客”数据集，训练一个 DeepAR 模型，并对未来 12 个月的数据进行概率预测。

代码示例

import pandas as pd
import matplotlib.pyplot as plt

from gluonts.dataset.pandas import PandasDataset
from gluonts.dataset.split import split
from gluonts.torch import DeepAREstimator

# 1. 加载数据
# 从 CSV 文件加载数据到 PandasDataset
df = pd.read_csv(
    "https://raw.githubusercontent.com/AileenNielsen/"
    "TimeSeriesAnalysisWithPython/master/data/AirPassengers.csv",
    index_col=0,
    parse_dates=True,
)
dataset = PandasDataset(df, target="#Passengers")

# 2. 划分训练集和测试集
# 使用前 9 年数据训练，最后 3 年数据测试
training_data, test_gen = split(dataset, offset=-36)
test_data = test_gen.generate_instances(prediction_length=12, windows=3)

# 3. 定义并训练模型
# 设置预测长度为 12 个月，频率为月度 ("M")，最大训练轮数为 5
model = DeepAREstimator(
    prediction_length=12, freq="M", trainer_kwargs={"max_epochs": 5}
).train(training_data)

# 4. 进行预测
forecasts = list(model.predict(test_data.input))

# 5. 可视化结果
plt.plot(df["1954":], color="black")
for forecast in forecasts:
  forecast.plot()
plt.legend(["True values"], loc="upper left", fontsize="xx-large")
plt.show()

结果说明

运行上述代码后，将弹出一个图表：

• 黑线：代表真实的历史数据。
• 阴影区域：代表预测的概率分布区间（通常为 50% 和 90% 的置信区间），体现了模型对不确定性的量化能力。