Awesome GitHub RepositoriesForecast Component Plotting

Neural Prophet est une bibliothèque de prévision de séries temporelles basée sur PyTorch conçue pour l'apprentissage automatique interprétable. Elle sert de framework de décomposition qui décompose les signaux en parties constitutives telles que les effets autorégressifs, les tendances linéaires par morceaux et la saisonnalité basée sur Fourier pour prédire les valeurs futures. Le projet se distingue en combinant des réseaux de neurones avec des algorithmes traditionnels pour produire des prévisions qui expliquent les moteurs de tendance sous-jacents. Il présente une approche de modélisation de séries temporelles globale, permettant à un seul modèle d'être entraîné sur plusieurs séries simultanées pour partager les modèles appris tout en maintenant des spécificités locales. De plus, il agit comme un outil de quantification de l'incertitude, employant la régression quantile et la prédiction conforme pour générer des intervalles de prédiction fiables. La bibliothèque fournit une suite complète de capacités pour la gestion des données, notamment la récupération des jours fériés, le remplissage des lacunes et la normalisation. Elle couvre l'intégralité du cycle de vie de la modélisation avec l'optimisation automatisée des hyperparamètres, la détection des points de changement de tendance et l'intégration de régresseurs futurs et décalés. L'analyse est prise en charge par la décomposition des prévisions et l'attribution des entrées pour visualiser comment des facteurs spécifiques influencent les prédictions finales.