عن المشروع

PyTorch Forecasting هي حزمة مفتوحة المصدر مرخصة بموجب MIT للتنبؤ بالسلاسل الزمنية باستخدام بنى التعلم العميق الحديثة. وهي مبنية على PyTorch وPyTorch Lightning، لذا يمكن أن يعمل التدريب على وحدة المعالجة المركزية أو وحدة معالجة رسومية واحدة أو وحدات متعددة مع تسجيل تلقائي. يستهدف المشروع كلاً من التطبيقات الواقعية والبحث العلمي. هدفه المعلن هو واجهة برمجة عالية المستوى بأقصى مرونة للمحترفين وإعدادات افتراضية معقولة للمبتدئين. المكونات الرئيسية الموصوفة في ملف README: - فئة مجموعة بيانات السلاسل الزمنية التي تلخص تحويلات المتغيرات والقيم المفقودة وأخذ العينات الفرعية العشوائية وأطوال التاريخ المتعددة. - فئة نموذج أساسية توفر التدريب الأساسي لنماذج السلاسل الزمنية وتسجيل TensorBoard وتصورات عامة مثل الفعلي مقابل التوقعات ومخططات التبعية. - بنى شبكات عصبية متعددة محسّنة للنشر في العالم الحقيقي مع قدرات تفسير مدمجة. - مقاييس سلاسل زمنية متعددة الآفاق. - ضبط المعلمات الفائقة باستخدام optuna. تشمل النماذج المتاحة Temporal Fusion Transformer وN-BEATS وN-HiTS وDeepAR وPatchTST، بالإضافة إلى خطوط أساس بسيطة مثل LSTM وGRU ومفكك تشفير MLP ومتنبئ بالقيمة الأخيرة الساذج. توفر الوثائق مقارنة بين النماذج. يشرح برنامج تعليمي كيفية تنفيذ نماذج ومكونات مخصصة جديدة. التثبيت يتم عبر pip (`pip install pytorch-forecasting`) أو conda من conda-forge. على Windows، يجب تثبيت PyTorch أولاً. تثبيت إضافي اختياري يضيف خسارة الكميات متعددة المتغيرات MQF2. الاستخدام يركز على تحويل إطارات بيانات pandas إلى TimeSeriesDataSet، الأمر الذي يتطلب أعمدة للهدف ومعرف السلسلة الزمنية وفهرس زمني متزايد بشكل رتيب. تحدد مجموعة البيانات أطوال الترميز والتنبؤ والمتغيرات الثابتة والمعروفة وغير المعروفة. يمكن إنشاء مجموعات بيانات التحقق من مجموعة بيانات التدريب لإعادة استخدام التطبيع. يتم تحويل مجموعات البيانات إلى محملات بيانات، ويتم تدريب النماذج باستخدام PyTorch Lightning Trainer، بما في ذلك الإيقاف المبكر ومراقبة معدل التعلم وإيجاد معدل التعلم عبر Lightning Tuner. يربط ملف README بالوثائق والبرامج التعليمية وملاحظات الإصدار ومجتمع Discord ومقال Towards Data Science. يوصف المشروع بأنه مشروع برعاية GC.OS.