本页详细介绍了如何使用NeuralProphet用简单的方法建立一个简单的模型。
下载代码仓库后（通过git clone），切换到仓库目录下（cd neural_prophet），用pip install .将neuralprophet作为python包安装。
注意：如果你打算在Jupyter notebook上使用这个包，建议使用pip install .[live]安装 "live "包版本。这将允许你在 train函数中启用 plot_live_loss ，以获得train （和validation)）损失的实时图。
现在你可以通过以下代码中使用NeuralProphet。
from neuralprophet import NeuralProphetneural_prophet包所期望的输入数据格式与原始prophet相同。它应该有两列，ds有时间戳，y列包含时间序列的观测值。在整个文档中，我们将使用佩顿-曼宁维基百科页面的每日页面浏览日志的时间序列数据。这些数据可以通过以下方式导入。
import pandas as pd
df = pd.read_csv('../example_data/example_wp_log_peyton_manning.csv')数据的格式如下。
| ds | y |
|---|---|
| 2007-12-10 | 9.59 |
| 2007-12-11 | 8.52 |
| 2007-12-12 | 8.18 |
| 2007-12-13 | 8.07 |
| 2007-12-14 | 7.89 |
通过创建一个NeuralProphet类的对象，并调用fit函数，就可以为这个数据集拟合一个neural_prophet的简单模型，如下所示。这样就可以用模型中的默认设置来拟合模型。关于这些默认设置的更多细节，请参考Hyperparameter Selction。
m = NeuralProphet()
metrics = m.fit(df, freq="D")模型被拟合后，我们就可以使用拟合的模型进行预测。为此，我们首先需要创建一个未来的dataframe ，包括我们需要预测的未来的时间步骤。NeuralProphet为此提供了辅助函数make_future_dataframe。注意，这里的数据频率是全局设置的。有效的时序频率设置是pandas timeseries offset aliases。
future = m.make_future_dataframe(df, periods=365)
forecast = m.predict(future)可视化通过模型得到的预测。
forecasts_plot = m.plot(forecast)
这是一个简单的模型，默认估计了趋势、周季节性和年季节性。你也可以分别看下面的各个组成部分。
fig_comp = m.plot_components(forecast)
各个系数值也可以绘制如下图，以获得进一步的了解。
fig_param = m.plot_parameters()
NeuralProphet的模型验证可以通过两种方式进行。用户可以在参数valida_p中指定用于验证的数据分数，像下面这样在模型拟合后手动分割数据集进行验证。这个验证集从系列末尾开始保留。
m = NeuralProphet()
df_train, df_val = m.split_df(df, valid_p=0.2)现在你可以分别查看训练和验证指标，如下图所示。
train_metrics = m.fit(df_train)
val_metrics = m.test(df_val)在模型拟合过程中，你也可以对每个epoch进行验证。通过在fit函数调用中设置validate_each_epoch参数来完成。这可以让你在模型训练时查看验证指标。
# or evaluate while training
m = NeuralProphet()
metrics = m.fit(df, validate_each_epoch=True, valid_p=0.2)结果的差异性来自SGD在不同的运行中找到不同的optima。大部分的随机性来自于权重的随机初始化、不同的学习率和dataloader的不同shuffling 。我们可以通过设置随机数发生器的种子(seed)来控制它。
from neuralprophet import set_random_seed
set_random_seed(0)这应该会导致每次运行模型时都有相同的结果。请注意，在拟合模型之前，每次都必须明确地将随机种子设置为相同的随机数。