工具系列：TimeGPT_(2)使用外生变量时间序列预测

本文主要是介绍工具系列：TimeGPT_(2)使用外生变量时间序列预测，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

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()

True

import 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_id	ds	y	Exogenous1	Exogenous2	day_0	day_1	day_2	day_3	day_4	day_5	day_6
0	BE	2016-12-01 00:00:00	72.00	61507.0	71066.0	0.0	0.0	0.0	1.0	0.0	0.0	0.0
1	BE	2016-12-01 01:00:00	65.80	59528.0	67311.0	0.0	0.0	0.0	1.0	0.0	0.0	0.0
2	BE	2016-12-01 02:00:00	59.99	58812.0	67470.0	0.0	0.0	0.0	1.0	0.0	0.0	0.0
3	BE	2016-12-01 03:00:00	50.69	57676.0	64529.0	0.0	0.0	0.0	1.0	0.0	0.0	0.0
4	BE	2016-12-01 04:00:00	52.58	56804.0	62773.0	0.0	0.0	0.0	1.0	0.0	0.0	0.0

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_id	ds	Exogenous1	Exogenous2	day_0	day_1	day_2	day_3	day_4	day_5	day_6
0	BE	2016-12-31 00:00:00	64108.0	70318.0	0.0	0.0	0.0	0.0	0.0	1.0	0.0
1	BE	2016-12-31 01:00:00	62492.0	67898.0	0.0	0.0	0.0	0.0	0.0	1.0	0.0
2	BE	2016-12-31 02:00:00	61571.0	68379.0	0.0	0.0	0.0	0.0	0.0	1.0	0.0
3	BE	2016-12-31 03:00:00	60381.0	64972.0	0.0	0.0	0.0	0.0	0.0	1.0	0.0
4	BE	2016-12-31 04:00:00	60298.0	62900.0	0.0	0.0	0.0	0.0	0.0	1.0	0.0

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(df=df, X_df=future_ex_vars_df, h=24, 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_id	ds	TimeGPT	TimeGPT-lo-90	TimeGPT-lo-80	TimeGPT-hi-80	TimeGPT-hi-90
0	BE	2016-12-31 00:00:00	38.861762	33.821073	34.368669	43.354854	43.902450
1	BE	2016-12-31 01:00:00	35.382102	30.014594	31.493322	39.270882	40.749610
2	BE	2016-12-31 02:00:00	33.811425	26.658821	28.543087	39.079764	40.964029
3	BE	2016-12-31 03:00:00	31.707475	24.896205	26.818795	36.596155	38.518745
4	BE	2016-12-31 04:00:00	30.316475	21.125143	24.432148	36.200801	39.507807

# 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1：df[['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2：timegpt_fcst_ex_vars_df，表示时间序列预测的额外变量数据
# 参数3：max_insample_length=365，表示用于训练模型的最大历史数据长度为365天
# 参数4：level=[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_length=365, 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(x='features', y='weights')

<Axes: ylabel='features'>

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(df=df, X_df=future_ex_vars_df, h=24, 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(x='features', y='weights')

INFO:nixtlats.timegpt:Validating inputs...
INFO:nixtlats.timegpt:Preprocessing dataframes...
INFO:nixtlats.timegpt:Inferred freq: H
INFO:nixtlats.timegpt:Calling Forecast Endpoint...<Axes: ylabel='features'>

这篇关于工具系列：TimeGPT_(2)使用外生变量时间序列预测的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---