使用Catboost從RNN、ARIMA和Prophet模型中提取信號(hào)進(jìn)行預(yù)測
集成各種弱學(xué)習(xí)器可以提高預(yù)測精度，但是如果我們的模型已經(jīng)很強(qiáng)大了，集成學(xué)習(xí)往往也能夠起到錦上添花的作用。流行的機(jī)器學(xué)習(xí)庫scikit-learn提供了一個(gè)StackingRegressor，可以用于時(shí)間序列任務(wù)。但是StackingRegressor有一個(gè)局限性;它只接受其他scikit-learn模型類和api。所以像ARIMA這樣在scikit-learn中不可用的模型，或者來自深度神經(jīng)網(wǎng)絡(luò)的模型都無法使用。在這篇文章中，我將展示如何堆疊我們能見到的模型的預(yù)測。
我們將用到下面的包：
pip install --upgrade scalecastconda install tensorflowconda install shapconda install -c conda-forge cmdstanpypip install prophet數(shù)據(jù)集每小時(shí)一次，分為訓(xùn)練集(700個(gè)觀測值)和測試集(48個(gè)觀測值)。下面代碼是讀取數(shù)據(jù)并將其存儲(chǔ)在Forecaster對(duì)象中:
import pandas as pdimport numpy as npfrom scalecast.Forecaster import Forecasterfrom scalecast.util import metricsimport matplotlib.pyplot as pltimport seaborn as snsdef read_data(idx = 'H1', cis = True, metrics = ['smape']):info = pd.read_csv('M4-info.csv',index_col=0,parse_dates=['StartingDate'],dayfirst=True,)train = pd.read_csv(f'Hourly-train.csv',index_col=0,).loc[idx]test = pd.read_csv(f'Hourly-test.csv',index_col=0,).loc[idx]y = train.valuessd = info.loc[idx,'StartingDate']fcst_horizon = info.loc[idx,'Horizon']cd = pd.date_range(start = sd,freq = 'H',periods = len(y),)f = Forecaster(y = y, # observed valuescurrent_dates = cd, # current datesfuture_dates = fcst_horizon, # forecast lengthtest_length = fcst_horizon, # test-set lengthcis = cis, # whether to evaluate intervals for each modelmetrics = metrics, # what metrics to evaluate)return f, test.valuesf, test_set = read_data()f # display the Forecaster object結(jié)果是這樣的：
在我們開始構(gòu)建模型之前，我們需要從中生成最簡單的預(yù)測，naive方法就是向前傳播最近24個(gè)觀測值。
f.set_estimator('naive')f.manual_forecast(seasonal=True)然后使用ARIMA、LSTM和Prophet作為基準(zhǔn)。
ARIMA
Autoregressive Integrated Moving Average 是一種流行而簡單的時(shí)間序列技術(shù)，它利用序列的滯后和誤差以線性方式預(yù)測其未來。通過EDA，我們確定這個(gè)系列是高度季節(jié)性的。所以最終選擇了應(yīng)用order (5,1,4) x(1,1,1,24)的季節(jié)性ARIMA模型。
f.set_estimator('arima')f.manual_forecast(order = (5,1,4),seasonal_order = (1,1,1,24),call_me = 'manual_arima',)LSTM
如果說ARIMA是時(shí)間序列模型中比較簡單的一種，那么LSTM就是比較先進(jìn)的方法之一。它是一種具有許多參數(shù)的深度學(xué)習(xí)技術(shù)，其中包括一種在順序數(shù)據(jù)中發(fā)現(xiàn)長期和短期模式的機(jī)制，這在理論上使其成為時(shí)間序列的理想選擇。這里使用tensorflow建立這個(gè)模型
f.set_estimator('rnn')f.manual_forecast(lags = 48,layers_struct=[('LSTM',{'units':100,'activation':'tanh'}),('LSTM',{'units':100,'activation':'tanh'}),('LSTM',{'units':100,'activation':'tanh'}),],optimizer = 'Adam',epochs = 15,plot_loss = True,validation_split=0.2,call_me = 'rnn_tanh_activation',)f.manual_forecast(lags = 48,layers_struct=[('LSTM',{'units':100,'activation':'relu'}),('LSTM',{'units':100,'activation':'relu'}),('LSTM',{'units':100,'activation':'relu'}),],optimizer = 'Adam',epochs = 15,plot_loss = True,validation_split=0.2,call_me = 'rnn_relu_activation',)Prophet
盡管它非常受歡迎，但有人聲稱它的準(zhǔn)確性并不令人印象深刻，主要是因?yàn)樗鼘?duì)趨勢的推斷有時(shí)候很不切實(shí)際，而且它沒有通過自回歸建模來考慮局部模式。但是它也有自己的特點(diǎn)。1，它會(huì)自動(dòng)將節(jié)日效果應(yīng)用到模型身上，并且還考慮了幾種類型的季節(jié)性?？梢砸杂脩羲璧淖畹托枨髞硗瓿蛇@一切，所以我喜歡把它用作信號(hào)，而不是最終的預(yù)測結(jié)果。
f.set_estimator('prophet')f.manual_forecast()比較結(jié)果
現(xiàn)在我們已經(jīng)為每個(gè)模型生成了預(yù)測，讓我們看看它們?cè)隍?yàn)證集上的表現(xiàn)如何，驗(yàn)證集是我們訓(xùn)練集中的最后48個(gè)觀察結(jié)果。
results = f.export(determine_best_by='TestSetSMAPE')ms = results['model_summaries']ms[['ModelNickname','TestSetLength','TestSetSMAPE','InSampleSMAPE',]]
每個(gè)模型的表現(xiàn)都優(yōu)于naive方法。ARIMA模型表現(xiàn)最好，百分比誤差為4.7%，其次是Prophet模型。讓我們看看所有的預(yù)測與驗(yàn)證集的關(guān)系:
f.plot(order_by='TestSetSMAPE',ci=True)
plt.show()
所有這些模型在這個(gè)時(shí)間序列上的表現(xiàn)都很合理，它們之間沒有很大的偏差。下面讓我們把它們堆起來!
每個(gè)堆疊模型都需要一個(gè)最終估計(jì)器，它將過濾其他模型的各種估計(jì)，創(chuàng)建一組新的預(yù)測。我們將把之前結(jié)果與Catboost估計(jì)器疊加在一起。Catboost是一個(gè)強(qiáng)大的程序，希望它能從每個(gè)已經(jīng)應(yīng)用的模型中充實(shí)出最好的信號(hào)。
f.add_signals(f.history.keys(), # add signals from all previously evaluated models)f.add_ar_terms(48)f.set_estimator('catboost')上面的代碼將來自每個(gè)評(píng)估模型的預(yù)測添加到Forecaster對(duì)象中。它稱這些預(yù)測為“信號(hào)”。 它們的處理方式與存儲(chǔ)在同一對(duì)象中的任何其他協(xié)變量相同。 這里還添加了最后 48 個(gè)系列的滯后作為 Catboost 模型可以用來進(jìn)行預(yù)測的附加回歸變量。 現(xiàn)在讓我們調(diào)用三種 Catboost 模型：一種使用所有可用信號(hào)和滯后，一種僅使用信號(hào)，一種僅使用滯后。
f.manual_forecast(Xvars='all',call_me='catboost_all_reg',verbose = False,)f.manual_forecast(Xvars=[x for x in f.get_regressor_names() if x.startswith('AR')], call_me = 'catboost_lags_only',verbose = False,)f.manual_forecast(Xvars=[x for x in f.get_regressor_names() if not x.startswith('AR')], call_me = 'catboost_signals_only',verbose = False,)下面可以比較所有模型的結(jié)果。我們將研究兩個(gè)度量:SMAPE和平均絕對(duì)比例誤差(MASE)。這是實(shí)際M4比賽中使用的兩個(gè)指標(biāo)。
test_results = pd.DataFrame(index = f.history.keys(),columns = ['smape','mase'])for k, v in f.history.items():test_results.loc[k,['smape','mase']] = [metrics.smape(test_set,v['Forecast']),metrics.mase(test_set,v['Forecast'],m=24,obs=f.y),]test_results.sort_values('smape')
可以看到，通過組合來自不同類型模型的信號(hào)生成了兩個(gè)優(yōu)于其他估計(jì)器的估計(jì)器:使用所有信號(hào)訓(xùn)練的Catboost模型和只使用信號(hào)的Catboost模型。這兩種方法的樣本誤差都在2.8%左右。下面是對(duì)比圖：
fig, ax = plt.subplots(figsize=(12,6))f.plot(models = ['catboost_all_reg','catboost_signals_only'],ci=True,ax = ax)sns.lineplot(x = f.future_dates, y = test_set, ax = ax,label = 'held out actuals',color = 'darkblue',alpha = .75,)plt.show()
為了完善分析，我們可以使用shapley評(píng)分來確定哪些信號(hào)是最重要的。Shapley評(píng)分被認(rèn)為是確定給定機(jī)器學(xué)習(xí)模型中輸入的預(yù)測能力的最先進(jìn)的方法之一。得分越高，意味著輸入在特定模型中越重要。
f.export_feature_importance('catboost_all_reg')上面的圖只顯示了前幾個(gè)最重要的預(yù)測因子，但我們可以從中看出，ARIMA信號(hào)是最重要的，其次是序列的第一個(gè)滯后，然后是Prophet。RNN模型的得分也高于許多滯后模型。如果我們想在未來訓(xùn)練一個(gè)更輕量的模型，這可能是一個(gè)很好的起點(diǎn)。
在這篇文章中，我展示了在時(shí)間序列上下文中集成模型的力量，以及如何使用不同的模型在時(shí)間序列上獲得更高的精度。這里我們使用scalecast包，這個(gè)包的功能還是很強(qiáng)大的，如果你喜歡，可以去它的主頁看看
聯(lián)系客服
