[2111.15397] NeuralProphet: Explainable Forecasting at Scale
NeuralProphet: Explainable Forecasting at Scale
We introduce NeuralProphet, a successor to Facebook Prophet, which set an industry standard for explainable, scalable, and user-friendly forecasting frameworks. With the proliferation of time series data, explainable forecasting remains a challenging task
arxiv.org
오늘 다룰 논문은 Meta에서 공개한 Nerual Prophet이라는 시계열 예측 모델입니다.
NeuralProphet
Explainable Forecasting at Scale NeuralProphet bridges the gap between traditional time-series models and deep learning methods. It's based on PyTorch and can be installed using pip. GitHub
neuralprophet.com
해당 링크에서 paper에 접속할 수 있으며, 직접 GitHub코드를 확인할 수 있습니다.
직접 시행하고 싶은 경우 tutorial을 GitHub에서 제공하므로 참고 부탁드립니다:)
요약
한 마디로 정리하자면, “PyTorch 기반의 사용자 친화적이고 해석 가능한 시계열 예측 도구"입니다.
본 논문을 통해 해당 해석 가능한 모델을 사용한 친화적인 시계열 예측 프레임워크를 제안합니다.
신경망 기술을 통해 예측 정확도를 크게 향상시킨 확장 가능한 시계열 예측 프레임워크입니다.
시계열 데이터
- 시계열 데이터는 위의 그림과 같이, trend가 존재하기도 하고, yearly/weekly/daily cycle처럼 계절성을 지니기도 하고, outlier들이 존재하기도 하는 복잡한 구조들을 가지고 있습니다.
이러한 특성들을 고려한 시계열 예측 프레임워크인 Prophet이 제안되었으며,
본 논문에서는 이를 더욱 발전시킨 Neural Prophet을 소개합니다.
기존 모델: Prophet
각 요소는 별도의 모델로 사용하고 싶은 것을 선택하여 사용하면 됩니다.
이러한 특징 덕분에
→ (유연성) 새롭게 분해하고 새로운 요소를 추가하기가 쉬우며,
→ 다른 시계열 모형과 달리 시간에 종속적인 구조를 가지지 않고, curve-fitting으로 예측 문제를 해결합니다.
제안 모델: Neural Prophet
- 기존 Prophet에서 Regression이 추가된 형태
T(t) : 시점 t에서의 트렌드 (Default)
S(t) : 시점 t에서의 계절적 효과 (Default)
E(t) : 시점 t에서의 이벤트 및 휴일 효과
F(t) : 시점 t에서 미래에 알려진 외부 변수에 대한 회귀 효과
A(t) : 시점 t에서의 자동회귀 효과 (과거 자료 기반) -AR
L(t) : 시점 t에서의 외부 변수의 지연된 관측에 대한 회귀 효과
→ Prophet과 마찬가지로 각 모델은 예측에 대해 독립적으로 기여하며, 개별적으로 해석 가능합니다.
(각 요소가 예측에 미치는 영향을 시각적으로 확인 가능합니다.)
데이터 전처리
결측치 처리
1) 양방향 선형 보간(각 방향으로 최대 5개의 결측치에 대해 시행) 누락된 값이 10개이상인경우 NaN으로 유지
2) 남은 NaN에 대해 30일 이동평균을 기준으로 최대 20개의 연속된 누락된 값을 채워 넣기
3) 만약, 30개이상의 값이 연속으로 결측치인 경우에는 삭제를 진행
데이터 정규화
- 시계열에 적용할 정규화 유형을 설정하기 가능: Default : soft / 시계열 값이 이진값이면 minmax로 진행
Tabularization
학습
Loss Function
Regularization
Optimizer
실험 결과
