MXNET之GluonTS学习手册：第一章《DeepAR模型初步尝试》

阅读本手册需要一定mxnet、gluon操作基础。
本文使用cpu训练代码。
个人博客地址：https://zmkwjx.github.io
本文github地址：https://github.com/zmkwjx/GluonTS-Learning-in-Action
GluonTS官网地址：https://gluon-ts.mxnet.io

1、环境以及安装

1.1 本文开发环境：ubuntu16.04TS、python3.7
1.2 快速安装

pip install matplotlib numpy pandas pathlib
pip install mxnet mxnet-mkl gluon gluonts

2、训练程序

#Third-party imports
import matplotlib.pyplot as plt
import pandas as pd
from pathlib import Path
from gluonts.model import deepar
from gluonts.dataset import common
from gluonts.dataset.util import to_pandas
from gluonts.model.predictor import Predictor

2.1 加载训练数据 Twitter_volume_AMZN.csv

url  = "./data/Twitter_volume_AMZN.csv"
df   = pd.read_csv(url, header=0, index_col=0)
data = common.ListDataset([{"start": df.index[0],
   "target": df.value[:"2015-04-23 00:00:00"]}], freq="H")

• pd.read_csv 将csv文件读入并转化为数据框形式
• common.ListDataset 加载训练数据

2.2 解读 ListDataset

class gluonts.dataset.common.ListDataset(data_iter: Iterable[Dict[str, Any]], freq: str, one_dim_target: bool = True)

• data_iter： 可迭代对象产生数据集中的所有项目。每个项目都应该是一个将字符串映射到值的字典。例如：{“start”: “2014-09-07”, “target”: [0.1, 0.2]}
• freq： 时间序列中的观察频率。
• one_dim_target： 是否仅接受单变量目标时间序列。

2.3 训练现有模型
GluonTS带有许多预先构建的模型。用户所需要做的就是配置一些超参数。现有模型专注于（但不限于）概率预测。概率预测是以概率分布的形式进行的预测，而不是简单的单点估计。

estimator = deepar.DeepAREstimator(freq="H", prediction_length=24)
predictor = estimator.train(training_data=data)

• 构造一个DeepAR网络、并进行训练
• prediction_length： 需要预测的时间长度
• training_data： 训练数据

2.4 预览训练结果

for test_entry, forecast in zip(train_data, predictor.predict(train_data)):
    to_pandas(test_entry)[-60:].plot(linewidth=2)
    forecast.plot(color='g', prediction_intervals=[50.0, 90.0])
plt.grid(which='both')
plt.show()

• 预测结果
  

2.5 输出训练结果

prediction = next(predictor.predict(train_data))
print(prediction.mean)
prediction.plot(output_file='graph.png')

• OUT
  
  

2.5 保存训练模型

predictor.serialize(Path("此处填入Model文件夹的绝对路径"))

2.6 使用训练模型

predictor = Predictor.deserialize(Path("此处填入Model文件夹的绝对路径"))

• 例子

import pandas as pd
from pathlib import Path
from gluonts.dataset import common
from gluonts.dataset.util import to_pandas
from gluonts.model.predictor import Predictor

url = "./data/Twitter_volume_AMZN.csv"
df = pd.read_csv(url, header=0, index_col=0)
train_data = common.ListDataset([{"start": df.index[0],
    "target": df.value[:"2015-04-23 00:00:00"]}],freq="H")
    
predictor = Predictor.deserialize(Path("此处填入Model文件夹的绝对路径"))
prediction = next(predictor.predict(train_data))
print(prediction.mean)
prediction.plot(output_file='graph.png')