neuralforecast: 一個使用者友善且包含最先進神經時間序列預測模型的集合

它解決了什麼問題

NeuralForecast 解決了實作最先進神經預測模型時的困難。許多現有的實作難以使用、計算成本高昂，且往往無法超越傳統的統計方法。本函式庫提供了一個使用者友善、高效且強大的神經網路集合，專為時間序列預測而設計。

運作原理

它為廣泛的神經預測架構提供了一個統一的介面（使用與 scikit-learn 類似且令人熟悉的 .fit 與 .predict 語法）。這些架構涵蓋了從經典的 RNNs（如 LSTM 與 GRU）和 CNNs (TCN) 到現代的 Transformer-based 模型（如 PatchTST 與 iTransformer），以及專門的架構如 N-BEATS 與 NHITS。本函式庫也支援外生變數、靜態共變量，以及透過分位數損失（quantile losses）與參數分佈進行的機率性預測。

對象是誰

需要使用深度學習模型進行高精度時間序列預測，但又不需要從頭開始構建這些複雜架構的資料科學家與機器學習工程師。

重點特色

• 豐富的模型函式庫：包含超過 30 種最先進的模型，包括 NHITS 與 NBEATSx 的官方實作。
• 易用性：使用 scikit-learn 風格的 API，便於整合至現有的工作流程中。
• 進階預測：支援機率性預測以及包含外生回歸量。
• 最佳化：整合了 Ray 與 Optuna，用於分散式自動超參數調優。
• 遷移學習：能夠利用遷移學習技術，在歷史數據極少的情況下進行預測。