怎样建设网站施工,网络规划设计师2022报名时间,株洲市天元区建设局网站,wordpress 4 漏洞文章目录 TimeGPT使用外生变量时间序列预测导入相关工具包预测欧美国家次日电力价格案例 TimeGPT使用外生变量时间序列预测
外生变量在时间序列预测中非常重要#xff0c;因为它们提供了可能影响预测的额外信息。这些变量可以包括假日标记、营销支出、天气数据或与你正在预测… 文章目录 TimeGPT使用外生变量时间序列预测导入相关工具包预测欧美国家次日电力价格案例 TimeGPT使用外生变量时间序列预测
外生变量在时间序列预测中非常重要因为它们提供了可能影响预测的额外信息。这些变量可以包括假日标记、营销支出、天气数据或与你正在预测的时间序列数据相关的任何其他外部数据。
例如如果你正在预测冰淇淋销售额温度数据可以作为一个有用的外生变量。在炎热的天气里冰淇淋销售额可能会增加。
要在TimeGPT中加入外生变量你需要将时间序列数据中的每个点与相应的外部数据配对。
导入相关工具包 # Importing the colab_badge module from the nixtlats.utils package
from nixtlats.utils import colab_badge
# 导入load_dotenv函数用于加载.env文件中的环境变量
from dotenv import load_dotenv# 导入load_dotenv函数用于加载环境变量
load_dotenv()Trueimport pandas as pd
from nixtlats import TimeGPT
/home/ubuntu/miniconda/envs/nixtlats/lib/python3.11/site-packages/statsforecast/core.py:25: TqdmWarning: IProgress not found. Please update jupyter and ipywidgets. See https://ipywidgets.readthedocs.io/en/stable/user_install.htmlfrom tqdm.autonotebook import tqdm# 定义TimeGPT对象并传入一个参数token用于身份验证
# 如果没有提供token参数则默认使用os.environ.get(TIMEGPT_TOKEN)获取token
timegpt TimeGPT(token my_token_provided_by_nixtla
)# 导入TimeGPT模型timegpt TimeGPT() # 创建TimeGPT对象的实例预测欧美国家次日电力价格案例
让我们看一个关于预测次日电力价格的例子。以下数据集包含了欧洲和美国五个市场的每小时电力价格y列这些市场由unique_id列进行标识。从Exogenous1到day_6的列是TimeGPT用来预测价格的外生变量。
# 从指定的URL读取csv文件并将其存储在DataFrame对象df中
df pd.read_csv(https://raw.githubusercontent.com/Nixtla/transfer-learning-time-series/main/datasets/electricity-short-with-ex-vars.csv)# 显示DataFrame对象df的前几行数据
df.head()unique_iddsyExogenous1Exogenous2day_0day_1day_2day_3day_4day_5day_60BE2016-12-01 00:00:0072.0061507.071066.00.00.00.01.00.00.00.01BE2016-12-01 01:00:0065.8059528.067311.00.00.00.01.00.00.00.02BE2016-12-01 02:00:0059.9958812.067470.00.00.00.01.00.00.00.03BE2016-12-01 03:00:0050.6957676.064529.00.00.00.01.00.00.00.04BE2016-12-01 04:00:0052.5856804.062773.00.00.00.01.00.00.00.0
为了生成预测我们还需要添加外生变量的未来值。让我们读取这个数据集。在这种情况下我们希望预测未来24个步骤因此每个“unique_id”将有24个观察值。
# 从GitHub上读取电力短期未来外部变量数据集
future_ex_vars_df pd.read_csv(https://raw.githubusercontent.com/Nixtla/transfer-learning-time-series/main/datasets/electricity-short-future-ex-vars.csv)# 打印数据集的前五行
future_ex_vars_df.head()unique_iddsExogenous1Exogenous2day_0day_1day_2day_3day_4day_5day_60BE2016-12-31 00:00:0064108.070318.00.00.00.00.00.01.00.01BE2016-12-31 01:00:0062492.067898.00.00.00.00.00.01.00.02BE2016-12-31 02:00:0061571.068379.00.00.00.00.00.01.00.03BE2016-12-31 03:00:0060381.064972.00.00.00.00.00.01.00.04BE2016-12-31 04:00:0060298.062900.00.00.00.00.00.01.00.0
让我们调用forecast方法添加这些信息
# 使用timegpt模型对数据进行预测
# 参数说明
# - df: 历史数据的DataFrame
# - X_df: 未来外部变量的DataFrame
# - h: 预测的时间步长
# - level: 置信水平
timegpt_fcst_ex_vars_df timegpt.forecast(dfdf, X_dffuture_ex_vars_df, h24, level[80, 90])# 打印预测结果的前几行
timegpt_fcst_ex_vars_df.head()INFO:nixtlats.timegpt:Validating inputs...
INFO:nixtlats.timegpt:Preprocessing dataframes...
INFO:nixtlats.timegpt:Inferred freq: H
INFO:nixtlats.timegpt:Calling Forecast Endpoint...unique_iddsTimeGPTTimeGPT-lo-90TimeGPT-lo-80TimeGPT-hi-80TimeGPT-hi-900BE2016-12-31 00:00:0038.86176233.82107334.36866943.35485443.9024501BE2016-12-31 01:00:0035.38210230.01459431.49332239.27088240.7496102BE2016-12-31 02:00:0033.81142526.65882128.54308739.07976440.9640293BE2016-12-31 03:00:0031.70747524.89620526.81879536.59615538.5187454BE2016-12-31 04:00:0030.31647521.12514324.43214836.20080139.507807
# 导入必要的模块和函数# 使用timegpt.plot函数绘制时间序列预测结果的图表
# 参数1df[[unique_id, ds, y]]表示要绘制的时间序列数据包括唯一标识符、时间戳和目标变量
# 参数2timegpt_fcst_ex_vars_df表示时间序列预测的额外变量数据
# 参数3max_insample_length365表示用于训练模型的最大历史数据长度为365天
# 参数4level[80, 90]表示绘制置信区间的水平这里设置为80%和90%
# 返回绘制好的时间序列预测结果图表
timegpt.plot(df[[unique_id, ds, y]], timegpt_fcst_ex_vars_df, max_insample_length365, level[80, 90],
)我们还可以获得特征的重要性。
# 绘制水平条形图
timegpt.weights_x.plot.barh(xfeatures, yweights)
Axes: ylabelfeatures您还可以使用CountryHolidays类添加国家假期。
# 导入nixtlats.date_features模块中的CountryHolidays类from nixtlats.date_features import CountryHolidays# 导入所需的模块和函数# 使用timegpt模型对给定的数据进行预测
# 参数:
# - df: 历史数据的DataFrame包含时间序列数据
# - X_df: 未来外部变量的DataFrame包含与时间序列相关的外部变量
# - h: 预测的时间步长即预测未来多少个时间点的值
# - level: 置信水平的列表用于计算置信区间
# - date_features: 日期特征的列表用于考虑特殊的日期效应如假期等
# 返回值:
# - timegpt_fcst_ex_vars_df: 预测结果的DataFrame包含预测值和置信区间
timegpt_fcst_ex_vars_df timegpt.forecast(dfdf, X_dffuture_ex_vars_df, h24, level[80, 90], date_features[CountryHolidays([US])]
)
# 使用timegpt模型的weights_x属性绘制水平条形图
# 参数:
# - x: 水平条形图的x轴数据即特征名称
# - y: 水平条形图的y轴数据即特征权重值
timegpt.weights_x.plot.barh(xfeatures, yweights)INFO:nixtlats.timegpt:Validating inputs...
INFO:nixtlats.timegpt:Preprocessing dataframes...
INFO:nixtlats.timegpt:Inferred freq: H
INFO:nixtlats.timegpt:Calling Forecast Endpoint...Axes: ylabelfeatures
