有界预测

!pip install -Uqq nixtla pyreadr
from nixtla.utils import in_colab
IN_COLAB = in_colab()
if not IN_COLAB:
    from nixtla.utils import colab_badge
    from itertools import product
    from fastcore.test import test_eq, test_fail, test_warns
    from dotenv import load_dotenv

在预测中，我们通常希望确保预测结果保持在某个范围内。例如，在预测产品销售时，我们可能要求所有的预测值为正。因此，预测值可能需要有界限。

使用TimeGPT，您可以通过在调用预测函数之前转换数据来创建有界的预测。

if not IN_COLAB:
    load_dotenv()    
    colab_badge('docs/tutorials/13_bounded_forecasts')

1. 导入包

首先，我们安装并导入所需的包

import pandas as pd
import numpy as np

from nixtla import NixtlaClient
nixtla_client = NixtlaClient(
    # defaults to os.environ.get("NIXTLA_API_KEY")
    api_key = 'my_api_key_provided_by_nixtla'
)

👍 使用 Azure AI 端点

要使用 Azure AI 端点，设置 base_url 参数：

nixtla_client = NixtlaClient(base_url="你的 Azure AI 端点", api_key="你的 api_key")

if not IN_COLAB:
    nixtla_client = NixtlaClient()

2. 加载数据

我们使用来自预测，原理与实践的年度鸡蛋价格数据集。我们期待鸡蛋价格严格为正，因此我们希望将我们的预测限制为正值。

Note

您可以使用 pip 安装 pyreadr：

pip install pyreadr
import pyreadr
from pathlib import Path

# 下载并存储数据集
url = 'https://github.com/robjhyndman/fpp3package/raw/master/data/prices.rda'
dst_path = str(Path.cwd().joinpath('prices.rda'))
result = pyreadr.read_r(pyreadr.download_file(url, dst_path), dst_path)
# 执行一些预处理
df = result['prices'][['year', 'eggs']]
df = df.dropna().reset_index(drop=True)
df = df.rename(columns={'year':'ds', 'eggs':'y'})
df['ds'] = pd.to_datetime(df['ds'], format='%Y')
df['unique_id'] = 'eggs'

df.tail(10)
ds y unique_id
84 1984-01-01 100.58 eggs
85 1985-01-01 76.84 eggs
86 1986-01-01 81.10 eggs
87 1987-01-01 69.60 eggs
88 1988-01-01 64.55 eggs
89 1989-01-01 80.36 eggs
90 1990-01-01 79.79 eggs
91 1991-01-01 74.79 eggs
92 1992-01-01 64.86 eggs
93 1993-01-01 62.27 eggs

我们可以看看20世纪价格的发展情况，展示价格呈下降趋势。

nixtla_client.plot(df)

3. 使用TimeGPT的有界预测

首先，我们对目标数据进行转换。在这种情况下，我们将在预测之前对数据进行对数转换，从而使我们只能预测正价格。

df_transformed = df.copy()
df_transformed['y'] = np.log(df_transformed['y'])

我们将创建未来10年的预测，同时包含我们预测分布的80%、90%和99.5%的百分位数。

timegpt_fcst_with_transform = nixtla_client.forecast(df=df_transformed, h=10, freq='Y', level=[80, 90, 99.5])
INFO:nixtla.nixtla_client:Validating inputs...
INFO:nixtla.nixtla_client:Preprocessing dataframes...
INFO:nixtla.nixtla_client:Inferred freq: AS-JAN
INFO:nixtla.nixtla_client:Restricting input...
INFO:nixtla.nixtla_client:Calling Forecast Endpoint...

📘 Azure AI中的可用模型

如果您正在使用Azure AI端点，请确保设置model="azureai"：

nixtla_client.forecast(..., model="azureai")

对于公共API，我们支持两个模型：timegpt-1和timegpt-1-long-horizon。

默认情况下，使用timegpt-1。请参阅本教程了解如何以及何时使用timegpt-1-long-horizon。

在生成预测之后，我们需要对之前应用的变换进行逆变换。对于对数变换，这简单意味着我们需要对预测值进行指数运算：

cols_to_transform = [col for col in timegpt_fcst_with_transform if col not in ['unique_id', 'ds']]
for col in cols_to_transform:
    timegpt_fcst_with_transform[col] = np.exp(timegpt_fcst_with_transform[col])

现在，我们可以绘制预测图。我们包括多个预测区间，表示我们预测分布的80%、90%和99.5%分位数。

nixtla_client.plot(
    df, 
    timegpt_fcst_with_transform, 
    level=[80, 90, 99.5],
    max_insample_length=20
)

预测和预测区间看起来合理。

让我们将这些预测与不应用转换的情况进行比较。在这种情况下，可能会预测到负价格。

timegpt_fcst_without_transform = nixtla_client.forecast(df=df, h=10, freq='Y', level=[80, 90, 99.5])
INFO:nixtla.nixtla_client:Validating inputs...
INFO:nixtla.nixtla_client:Preprocessing dataframes...
INFO:nixtla.nixtla_client:Inferred freq: AS-JAN
INFO:nixtla.nixtla_client:Restricting input...
INFO:nixtla.nixtla_client:Calling Forecast Endpoint...

确实，我们现在观察到预测区间变为负值：

nixtla_client.plot(
    df, 
    timegpt_fcst_without_transform, 
    level=[80, 90, 99.5],
    max_insample_length=20
)

例如，在1995年：

timegpt_fcst_without_transform
unique_id ds TimeGPT TimeGPT-lo-99.5 TimeGPT-lo-90 TimeGPT-lo-80 TimeGPT-hi-80 TimeGPT-hi-90 TimeGPT-hi-99.5
0 eggs 1994-01-01 66.859756 43.103240 46.131448 49.319034 84.400479 87.588065 90.616273
1 eggs 1995-01-01 64.993477 -20.924112 -4.750041 12.275298 117.711656 134.736995 150.911066
2 eggs 1996-01-01 66.695808 6.499170 8.291150 10.177444 123.214173 125.100467 126.892446
3 eggs 1997-01-01 66.103325 17.304282 24.966939 33.032894 99.173756 107.239711 114.902368
4 eggs 1998-01-01 67.906517 4.995371 12.349648 20.090992 115.722042 123.463386 130.817663
5 eggs 1999-01-01 66.147575 29.162207 31.804460 34.585779 97.709372 100.490691 103.132943
6 eggs 2000-01-01 66.062637 14.671932 19.305822 24.183601 107.941673 112.819453 117.453343
7 eggs 2001-01-01 68.045769 3.915282 13.188964 22.950736 113.140802 122.902573 132.176256
8 eggs 2002-01-01 66.718903 -42.212631 -30.583703 -18.342726 151.780531 164.021508 175.650436
9 eggs 2003-01-01 67.344078 -86.239911 -44.959745 -1.506939 136.195095 179.647901 220.928067

这演示了对数变换的价值，以便使用TimeGPT获得有界的预测，这使我们能够获得更好校准的预测区间。

参考文献

Give us a ⭐ on Github