pytorch-forecasting

PyTorch Forecastingは、最先端の深層学習アーキテクチャを用いた時系列予測のためのオープンソースのMITライセンスパッケージです。PyTorchとPyTorch Lightning上に構築されているため、CPU、単一GPU、または複数GPUで自動ロギング付きで学習を実行できます。 このプロジェクトは、実世界のアプリケーションと研究の両方を対象としています。その目標は、専門家向けの最大限の柔軟性と初心者向けの適切なデフォルトを備えた高レベルAPIです。 READMEに記載されている主要コンポーネント： - 変数変換、欠損値、ランダムサブサンプリング、複数の履歴長を抽象化する時系列データセットクラス。 - 時系列モデルの基本的な学習、TensorBoardロギング、実測値対予測値や依存関係プロットなどの汎用可視化を提供するベースモデルクラス。 - 実運用向けに強化され、組み込みの解釈機能を備えた複数のニューラルネットワークアーキテクチャ。 - マルチホライズン時系列メトリクス。 - optunaによるハイパーパラメータ調整。 利用可能なモデルには、Temporal Fusion Transformer、N-BEATS、N-HiTS、DeepAR、PatchTSTに加え、LSTM、GRU、MLPデコーダ、最新値予測のナイーブベースラインなどのシンプルなベースラインが含まれます。ドキュメントではモデルの比較が提供されています。チュートリアルでは、新しいモデルとカスタムコンポーネントの実装方法を説明しています。 インストールはpip（`pip install pytorch-forecasting`）またはconda-forgeからのcondaで行えます。Windowsでは、最初にPyTorchをインストールする必要があります。オプションのエクストラでMQF2多変量分位損失をインストールできます。 使用方法は、pandas DataFrameをTimeSeriesDataSetに変換することが中心となります。これには、ターゲット、時系列ID、単調増加する時間インデックスの列が必要です。データセットはエンコーダ長と予測長、静的・既知・未知の共変量を定義します。検証データセットは、正規化を再利用するために学習データセットから作成できます。データセットはデータローダに変換され、モデルはPyTorch Lightning Trainerを使用して学習されます。これには、早期停止、学習率モニタリング、Lightning Tunerによる学習率探索が含まれます。 READMEは、ドキュメント、チュートリアル、リリースノート、Discordコミュニティ、Towards Data Scienceの記事へのリンクを掲載しています。このプロジェクトはGC.OSスポンサードプロジェクトとして説明されています。