Nixtla/neuralforecast
Scalable and user friendly neural :brain: forecasting algorithms.
What it solves
NeuralForecast 解決了實作尖端神經網路預測模型的困難。許多現有的實作方式很難使用、計算成本高昂，且往往無法超越傳統統計方法。此函式庫提供了一個專為時間序列預測設計的使用者友善、高效且強大的神經網路集合。
How it works
它為廣泛的神經網路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 和 .predict 語法）。這些架構範圍從經典的 RNNs（如 LSTM 和 GRU）和 CNNs（TCN）到現代的 Transformer-based 模型（如 PatchTST 和 iTransformer）以及專門的架構如 N-BEATS 和 NHITS。此函式庫也支援外生變數、靜態共變量以及透過分位數損失和參數化分佈進行的機率性預測。
Who it’s for
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和機器學習工程師。
Highlights
- Extensive Model Library: Includes over 30 state-of-the-art models, including official implementations of NHITS and NBEATSx.
- Usability: Uses a scikit-learn style API for easy integration into existing workflows.
- Advanced Forecasting: Supports probabilistic forecasting and the inclusion of exogenous regressors.
- Optimization: Integrates with Ray and Optuna for distributed automatic hyperparameter tuning.
- Transfer Learning: Ability to predict with minimal historical data using transfer learning techniques.