NeuralForecast v3.0.0 发布：时间序列预测的重大升级

NeuralForecast v3.0.0 发布：时间序列预测的重大升级

neuralforecast Nixtla/neuralforecast - 一个Python库，提供统一的接口来训练和预测时间序列数据，使用神经网络方法，如N-BEATS和N-HITS，以及传统的统计方法。 项目地址: https://gitcode.com/gh_mirrors/ne/neuralforecast

NeuralForecast 是一个专注于时间序列预测的深度学习库，它提供了多种先进的神经网络模型用于时间序列预测任务。该项目旨在为研究人员和工程师提供一个高效、灵活且易于使用的工具集，用于构建和部署时间序列预测模型。

核心功能升级

时间序列处理增强

新版本引入了TimeXer功能，这是一个专门为时间序列数据设计的特征工程工具。它能够自动提取和构建时间相关特征，显著提升了模型对时间模式的捕捉能力。这一改进特别适合那些具有强烈季节性、周期性特征的时间序列数据。

损失函数全面优化

v3.0.0对损失函数系统进行了全面重构，实现了以下重要改进：

1. 统一兼容性：现在所有损失函数都能兼容各种模型类型，包括单变量/多变量模型以及直接/递归预测模型。这种统一性大大简化了模型选择和实验过程。

2. 分位数预测增强：DistributionLoss现在支持在预测时直接指定分位数，为所有DistributionLosses提供了便捷的分位数获取方式。这一特性对于风险管理和不确定性量化特别有价值。

3. 混合模型改进：GMM、PMM和NBMM等混合损失函数现在支持学习权重，实现了加权混合分布输出。同时，这些混合损失也支持分位数预测功能。

4. 稳定性提升：ISQF损失函数通过使用softplus保护替代绝对值操作，显著提高了数值稳定性。

模型架构革新

基础模型统一

所有模型现在都继承自BaseModel基类，这种统一架构带来了几个显著优势：

• 代码更加模块化和可维护
• 新模型开发更加规范化和简单
• 提供了统一的API接口，降低了学习成本

递归模型改进

递归模型现在需要显式指定input_size参数，这一改变使得模型配置更加明确。更重要的是，递归模型现在可以灵活选择递归预测或直接预测模式，为不同应用场景提供了更多选择。

值得注意的是，TCN和DRNN模型从递归模型类别调整为窗口模型类别，这一调整更准确地反映了它们的实际工作机制。

性能与稳定性提升

数值精度支持

新版本增加了对bfloat16浮点格式的支持，这一特性对于在特定硬件(如TPU)上训练大型模型特别有价值，可以在保持模型性能的同时减少内存占用。

预测质量改进

IQLoss现在能够产生单调的分位数预测，解决了之前版本中可能出现的分位数交叉问题。同时修复了MASE损失函数的实现问题，使其现在能够正常工作。

多变量预测优化

修复了多变量模型在预测时当序列数量大于批次大小时出现的错误，这一改进显著提升了大规模多变量预测任务的可靠性。

使用注意事项

不兼容变更

1. RMoK模型参数名称从revine_affine更正为revin_affine，这是对之前版本中拼写错误的修正。

2. 由于模型架构的重大变更，无法将旧版本的递归模型直接加载到v3.0.0中使用。用户需要重新训练模型或进行适当的迁移工作。

3. 递归模型现在必须显式指定input_size参数，这一变化需要用户在升级时注意调整模型配置。

文档与示例完善

新版本大幅更新了文档内容，包括：

• 详细的函数和类文档字符串
• 新增了修改默认优化器配置的示例，特别是展示了如何使用ReduceLROnPlateau调度器
• 改进了整体文档结构和可读性

这些改进使得新用户更容易上手，同时也为高级用户提供了更多定制化选项的指导。

总结

NeuralForecast v3.0.0是一个重大版本更新，带来了架构统一、功能增强和性能提升等多方面改进。特别是损失函数系统的全面重构和模型基类的统一，为未来的功能扩展奠定了坚实基础。虽然存在一些不兼容变更，但这些改变都是为了提供更稳定、更灵活的预测框架。对于时间序列预测任务，特别是需要处理复杂模式和不确定性的场景，这一版本提供了更加强大和可靠的工具集。

neuralforecast Nixtla/neuralforecast - 一个Python库，提供统一的接口来训练和预测时间序列数据，使用神经网络方法，如N-BEATS和N-HITS，以及传统的统计方法。 项目地址: https://gitcode.com/gh_mirrors/ne/neuralforecast