5分钟快速上手hierarchicalforecast安装到预测的完整步骤【免费下载链接】hierarchicalforecastProbabilistic Hierarchical forecasting with statistical and econometric methods.项目地址: https://gitcode.com/gh_mirrors/hi/hierarchicalforecastHierarchicalForecast是一个强大的概率分层预测库专门为时间序列数据提供统计和计量经济学方法。无论你是数据分析师、数据科学家还是业务分析师这个Python库都能帮你轻松实现跨层级的一致预测确保你的决策基于准确且连贯的数据分析。 快速安装指南HierarchicalForecast的安装非常简单支持多种安装方式使用pip安装推荐pip install hierarchicalforecast使用conda安装conda install -c conda-forge hierarchicalforecast使用uv安装现代Python包管理器uv pip install hierarchicalforecast安装完成后你可以通过以下命令验证安装是否成功import hierarchicalforecast print(hierarchicalforecast.__version__) 核心功能概览HierarchicalForecast提供了丰富的分层预测方法主要分为三大类经典协调方法BottomUp自下而上方法通过简单加法聚合到上层TopDown自上而下方法将顶层预测分配到下层MiddleOut中间层锚定方法结合了BottomUp和TopDown的优势高级协调方法MinTrace最小化相干预测空间的总预测方差ERM通过L1正则化目标优化协调矩阵概率相干方法Normality在正态假设下使用MinTrace方差-协方差闭式矩阵Bootstrap使用Gamakumara的自举方法生成分层协调预测分布PERMBU通过估计的秩置换copulas重新注入多元依赖性 5分钟快速入门示例让我们通过一个完整的例子来体验HierarchicalForecast的强大功能步骤1导入必要的库import numpy as np import pandas as pd from datasetsforecast.hierarchical import HierarchicalData from statsforecast.core import StatsForecast from statsforecast.models import AutoARIMA, Naive from hierarchicalforecast.core import HierarchicalReconciliation from hierarchicalforecast.evaluation import evaluate from hierarchicalforecast.methods import BottomUp, TopDown, MiddleOut from utilsforecast.losses import mse步骤2加载分层数据集# 加载TourismSmall数据集 Y_df, S_df, tags HierarchicalData.load(./data, TourismSmall) Y_df[ds] pd.to_datetime(Y_df[ds]) S_df S_df.reset_index(namesunique_id) # 分割训练集和测试集 Y_test_df Y_df.groupby(unique_id).tail(4) Y_train_df Y_df.drop(Y_test_df.index)步骤3计算基础预测# 使用AutoARIMA和Naive模型计算基础预测 fcst StatsForecast(models[AutoARIMA(season_length4), Naive()], freqQE, n_jobs-1) Y_hat_df fcst.forecast(dfY_train_df, h4)步骤4协调基础预测# 创建协调器 reconcilers [ BottomUp(), TopDown(methodforecast_proportions), MiddleOut(middle_levelCountry/Purpose/State, top_down_methodforecast_proportions) ] # 执行协调 hrec HierarchicalReconciliation(reconcilersreconcilers) Y_rec_df hrec.reconcile(Y_hat_dfY_hat_df, Y_dfY_train_df, S_dfS_df, tagstags)步骤5评估预测性能# 合并测试数据 df Y_rec_df.merge(Y_test_df, on[unique_id, ds]) # 评估预测结果 evaluation evaluate(dfdf, tagstags, metrics[mse], benchmarkNaive) print(evaluation) 分层预测的实际应用场景HierarchicalForecast特别适用于以下场景零售行业产品类别层次预测总销售额 品类 品牌 SKU地理区域层次预测全国 大区 省份 城市供应链管理库存层级预测总库存 仓库 货架 单品需求预测的时空聚合金融分析投资组合层次预测总资产 资产类别 个股风险敞口的多层级分析 高级功能探索概率预测区间HierarchicalForecast支持多种概率预测方法帮助你构建置信区间from hierarchicalforecast.probabilistic_methods import Normality, Bootstrap # 使用正态分布假设 normality_reconciler Normality() # 或使用自举方法 bootstrap_reconciler Bootstrap(n_samples1000)时间分层协调除了横截面分层库还支持时间分层协调from hierarchicalforecast.methods import TemporalBottomUp # 时间分层协调 temporal_reconciler TemporalBottomUp()自定义评估指标from utilsforecast.losses import mae, rmse, mape # 使用多种评估指标 evaluation evaluate(dfdf, tagstags, metrics[mae, rmse, mape], benchmarkNaive) 最佳实践建议1. 数据预处理确保时间序列数据格式正确包含以下列unique_id序列的唯一标识符ds时间戳y观测值2. 分层结构定义明确你的分层结构可以使用tags参数定义不同层级的关系。3. 模型选择策略对于简单场景从BottomUp或TopDown开始对于复杂场景尝试MinTrace或ERM对于概率预测使用Normality或Bootstrap4. 性能优化使用n_jobs-1参数启用多核并行计算对于大数据集考虑使用增量学习方法 常见问题解答Q: 如何处理缺失数据A: HierarchicalForecast内置了缺失值处理机制但建议在预处理阶段处理缺失值以获得最佳结果。Q: 支持哪些时间序列频率A: 支持所有pandas支持的时间频率包括日、周、月、季度、年等。Q: 如何自定义分层结构A: 可以通过修改S_df求和矩阵和tags参数来自定义任意分层结构。Q: 预测范围有限制吗A: 理论上没有限制但实际应用中建议根据业务需求合理设置预测范围。 性能对比与基准测试HierarchicalForecast在多个公开数据集上表现出色。根据实验结果显示协调后的预测通常比非协调预测具有更高的准确性。 开始你的分层预测之旅现在你已经掌握了HierarchicalForecast的核心概念和基本用法是时候开始实践了记住分层预测的关键优势✅一致性保证所有层级的预测保持数学一致性✅灵活性支持多种协调方法和概率预测✅易用性简洁的API设计快速上手✅高性能支持并行计算处理大规模数据从简单的BottomUp方法开始逐步探索更高级的功能。随着你对库的熟悉可以尝试不同的协调策略找到最适合你业务场景的方法。分层预测不仅是一个技术工具更是提升业务决策质量的重要武器。通过HierarchicalForecast你将能够构建更加准确、一致且可靠的预测系统为你的组织创造真正的价值 【免费下载链接】hierarchicalforecastProbabilistic Hierarchical forecasting with statistical and econometric methods.项目地址: https://gitcode.com/gh_mirrors/hi/hierarchicalforecast创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考