当前位置：首页 > news >正文

工具系列：TimeGPT_(2)使用外生变量时间序列预测

news 2026/2/8 22:45:23

文章目录

- TimeGPT使用外生变量时间序列预测
- 导入相关工具包
- 预测欧美国家次日电力价格案例

TimeGPT使用外生变量时间序列预测

外生变量在时间序列预测中非常重要，因为它们提供了可能影响预测的额外信息。这些变量可以包括假日标记、营销支出、天气数据或与你正在预测的时间序列数据相关的任何其他外部数据。

例如，如果你正在预测冰淇淋销售额，温度数据可以作为一个有用的外生变量。在炎热的天气里，冰淇淋销售额可能会增加。

要在TimeGPT中加入外生变量，你需要将时间序列数据中的每个点与相应的外部数据配对。

导入相关工具包


# Importing the colab_badge module from the nixtlats.utils package
from nixtlats.utils import colab_badge

# 导入load_dotenv函数，用于加载.env文件中的环境变量
from dotenv import load_dotenv

# 导入load_dotenv函数，用于加载环境变量
load_dotenv()

True


import pandas as pd
from nixtlats import TimeGPT

/home/ubuntu/miniconda/envs/nixtlats/lib/python3.11/site-packages/statsforecast/core.py:25: TqdmWarning: IProgress not found. Please update jupyter and ipywidgets. See https://ipywidgets.readthedocs.io/en/stable/user_install.htmlfrom tqdm.autonotebook import tqdm

# 定义TimeGPT对象，并传入一个参数token，用于身份验证
# 如果没有提供token参数，则默认使用os.environ.get("TIMEGPT_TOKEN")获取token
timegpt = TimeGPT(token = 'my_token_provided_by_nixtla'
)

# 导入TimeGPT模型timegpt = TimeGPT()  # 创建TimeGPT对象的实例

预测欧美国家次日电力价格案例

让我们看一个关于预测次日电力价格的例子。以下数据集包含了欧洲和美国五个市场的每小时电力价格（y列），这些市场由unique_id列进行标识。从Exogenous1到day_6的列是TimeGPT用来预测价格的外生变量。

# 从指定的URL读取csv文件，并将其存储在DataFrame对象df中
df = pd.read_csv('https://raw.githubusercontent.com/Nixtla/transfer-learning-time-series/main/datasets/electricity-short-with-ex-vars.csv')# 显示DataFrame对象df的前几行数据
df.head()

	unique_id	ds	y	Exogenous1	Exogenous2	day_3
0	BE	2016-12-01 00:00:00	72.00	61507.0	71066.0	1.0
1	BE	2016-12-01 01:00:00	65.80	59528.0	67311.0	1.0
2	BE	2016-12-01 02:00:00	59.99	58812.0	67470.0	1.0
3	BE	2016-12-01 03:00:00	50.69	57676.0	64529.0	1.0
4	BE	2016-12-01 04:00:00	52.58	56804.0	62773.0	1.0

为了生成预测，我们还需要添加外生变量的未来值。让我们读取这个数据集。在这种情况下，我们希望预测未来24个步骤，因此每个“unique_id”将有24个观察值。

# 从GitHub上读取电力短期未来外部变量数据集
future_ex_vars_df = pd.read_csv('https://raw.githubusercontent.com/Nixtla/transfer-learning-time-series/main/datasets/electricity-short-future-ex-vars.csv')# 打印数据集的前五行
future_ex_vars_df.head()

	unique_id	ds	Exogenous1	Exogenous2	day_5
0	BE	2016-12-31 00:00:00	64108.0	70318.0	1.0
1	BE	2016-12-31 01:00:00	62492.0	67898.0	1.0
2	BE	2016-12-31 02:00:00	61571.0	68379.0	1.0
3	BE	2016-12-31 03:00:00	60381.0	64972.0	1.0
4	BE	2016-12-31 04:00:00	60298.0	62900.0	1.0

让我们调用forecast方法，添加这些信息：

# 使用timegpt模型对数据进行预测
# 参数说明：
# - df: 历史数据的DataFrame
# - X_df: 未来外部变量的DataFrame
# - h: 预测的时间步长
# - level: 置信水平
timegpt_fcst_ex_vars_df = timegpt.forecast(df=df, X_df=future_ex_vars_df, h=24, level=[80, 90])# 打印预测结果的前几行
timegpt_fcst_ex_vars_df.head()

INFO:nixtlats.timegpt:Validating inputs...
INFO:nixtlats.timegpt:Preprocessing dataframes...
INFO:nixtlats.timegpt:Inferred freq: H
INFO:nixtlats.timegpt:Calling Forecast Endpoint...

	unique_id	ds	TimeGPT	TimeGPT-lo-90	TimeGPT-lo-80	TimeGPT-hi-80	TimeGPT-hi-90
0	BE	2016-12-31 00:00:00	38.861762	33.821073	34.368669	43.354854	43.902450
1	BE	2016-12-31 01:00:00	35.382102	30.014594	31.493322	39.270882	40.749610
2	BE	2016-12-31 02:00:00	33.811425	26.658821	28.543087	39.079764	40.964029
3	BE	2016-12-31 03:00:00	31.707475	24.896205	26.818795	36.596155	38.518745
4	BE	2016-12-31 04:00:00	30.316475	21.125143	24.432148	36.200801	39.507807

# 导入必要的模块和函数# 使用timegpt.plot函数绘制时间序列预测结果的图表
# 参数1：df[['unique_id', 'ds', 'y']]，表示要绘制的时间序列数据，包括唯一标识符、时间戳和目标变量
# 参数2：timegpt_fcst_ex_vars_df，表示时间序列预测的额外变量数据
# 参数3：max_insample_length=365，表示用于训练模型的最大历史数据长度为365天
# 参数4：level=[80, 90]，表示绘制置信区间的水平，这里设置为80%和90%
# 返回：绘制好的时间序列预测结果图表
timegpt.plot(df[['unique_id', 'ds', 'y']], timegpt_fcst_ex_vars_df, max_insample_length=365, level=[80, 90], 
)

我们还可以获得特征的重要性。

# 绘制水平条形图
timegpt.weights_x.plot.barh(x='features', y='weights')

<Axes: ylabel='features'>

您还可以使用CountryHolidays类添加国家假期。

# 导入nixtlats.date_features模块中的CountryHolidays类from nixtlats.date_features import CountryHolidays

# 导入所需的模块和函数# 使用timegpt模型对给定的数据进行预测
# 参数:
# - df: 历史数据的DataFrame，包含时间序列数据
# - X_df: 未来外部变量的DataFrame，包含与时间序列相关的外部变量
# - h: 预测的时间步长，即预测未来多少个时间点的值
# - level: 置信水平的列表，用于计算置信区间
# - date_features: 日期特征的列表，用于考虑特殊的日期效应，如假期等
# 返回值:
# - timegpt_fcst_ex_vars_df: 预测结果的DataFrame，包含预测值和置信区间
timegpt_fcst_ex_vars_df = timegpt.forecast(df=df, X_df=future_ex_vars_df, h=24, level=[80, 90], date_features=[CountryHolidays(['US'])]
)
# 使用timegpt模型的weights_x属性绘制水平条形图
# 参数:
# - x: 水平条形图的x轴数据，即特征名称
# - y: 水平条形图的y轴数据，即特征权重值
timegpt.weights_x.plot.barh(x='features', y='weights')

INFO:nixtlats.timegpt:Validating inputs...
INFO:nixtlats.timegpt:Preprocessing dataframes...
INFO:nixtlats.timegpt:Inferred freq: H
INFO:nixtlats.timegpt:Calling Forecast Endpoint...<Axes: ylabel='features'>

工具系列：TimeGPT_(2)使用外生变量时间序列预测

文章目录 TimeGPT使用外生变量时间序列预测导入相关工具包预测欧美国家次日电力价格案例 TimeGPT使用外生变量时间序列预测外生变量在时间序列预测中非常重要，因为它们提供了可能影响预测的额外信息。这些变量可以包括假日标记、营销支出、天气数据或与你正在预测…...

编程日记 2023/12/27 16:16:33

应用于前端的自然断点法：wasm应用示例

某月某日，虾神本虾接到了这样一个需求，前端获取数据之后，在渲染之前，要对数据进行分类，分类的方法可以选择常用几种，例如等距法、自然断点法、标准差分类法等…… 问：为什么要在前端&#xff1…...

编程日记 2023/12/27 16:08:26

web前端javaScript笔记——（6）数组

对象一般分为内建对象，宿主对象，自定义对象。数组(Array) 数组也是一个对象它和我们普通对象功能类似，也是用来存储一些值的不同的是普通对象是使用字符串作为属性名的，而数组时使用数字来作为索引操作元素案引: 从0开始的…...

编程日记 2023/12/27 16:06:24

vue的props

Vue的props是组件之间传递数据的一种方式，可以在组件中定义props并接收外部传递的数据。在父组件中使用子组件时，可以使用v-bind指令将数据传递给子组件的props。子组件中可以通过props属性接收并使用这些数据。父组件中： <template&…...

编程日记 2023/12/27 16:04:22

【51单片机系列】DS18B20温度传感器模块

本文是关于温度传感器的相关内容。文章目录一、 DS18B20数字温度传感器介绍1.1、 DS18B20温度传感器的特点1.2、DA18B20内部结构1.3、 DS18B20的温度转换规则1.4、 DS18B20的ROM指令表1.6、计算温度1.7、读写时序二、DS18B20使用示例一、 DS18B20数字温度传感器介绍 DS1…...

编程日记 2023/12/27 16:03:19

ubuntu20.04 conda环境配置Mask2former记录

建议先看完再按照步骤安装代码地址：GitHub - facebookresearch/Mask2Former: Code release for "Masked-attention Mask Transformer for Universal Image Segmentation" 一、配置环境 1、创建虚拟环境 conda create -n mask2former python3.8conda …...

编程日记 2023/12/27 16:02:18

Git更新远程分支

当本地仓库无法找到新创建的远程分支时使用。 git fetch 是 Git 中的一个命令，用于从远程仓库获取最新的更改。 git fetch 会从指定的远程仓库中获取所有分支的最新提交，并将这些提交存储在本地的远程分支中。但是，这些更改并不会自动合并到…...

编程日记 2023/12/27 16:00:16

2023年软件工程师工作总结范文

各位领导： 你们好！时光飞逝，光阴似箭，转眼间又到了一年的年末。2023年又是一个不平凡的年，今年是国家十四个五年计划的第三年，是全面贯彻党的二十大精神的开局之年。中国XX集团作为中国XX行业中最大的企…...

编程日记 2023/12/27 15:57:13

STM32实战之深入理解I²C通信协议

目录 IC的物理层 IC的协议层 IC特点 IC 总线时序图软件模拟IC时序分享软件模拟IIC驱动AT24C02分享例程简介例程分享 STM32的IC外设 IIC（Inter-Integrated Circuit），也称为IC或TWI（Two-Wire Interface）&am…...

编程日记 2023/12/27 15:55:11

如何区分ChatGPT 3.5与ChatGPT 4：洞悉智能对话的新时代

如何区分ChatGPT 3.5与ChatGPT 4：洞悉智能对话的新时代随着人工智能技术的快速发展，OpenAI持续推出更加强大和精准的模型，以改善和扩展用户体验。在聊天机器人领域，特别是OpenAI的ChatGPT系列，每一次迭代都带来了显著…...

编程日记 2023/12/27 15:52:07

blender scripting 编写

blender scripting 编写一、查看ui按钮对应的代码二、查看或修改对象名称三、案例：渲染多张图片并导出对应的相机参数一、查看ui按钮对应的代码二、查看或修改对象名称三、案例：渲染多张图片并导出对应的相机参数注：通过ui交互都设置好…...

编程日记 2023/12/27 15:51:07

使用 Elasticsearch 检测抄袭（二）

我在在之前的文章 “使用 Elasticsearch 检测抄袭 （一）” 介绍了如何检文章抄袭。这个在许多的实际使用中非常有意义。我在 CSDN 上的文章也经常被人引用或者抄袭。有的人甚至也不用指明出处。这对文章的作者来说是很不公平的。文章介绍的内容针对很多的…...

编程日记 2023/12/27 15:45:02

WPF DataGrid

文章目录 SelectionModeHeaderVisibilityBorderBrush SelectionMode DataGrid 控件的 SelectionMode 属性定义了用户可以如何选择 DataGrid 中的行。它是一个枚举类型的属性，有以下几个选项： Single（默认值）：只能选择…...

编程日记 2023/12/27 15:44:01

【cesium-5】鼠标交互与数据查询

scene.pick返回的是包含给定窗口位置基元的对象 scene.drillpack返回的是给定窗口位置所有对象的列表 Globe.pick返回的是给光线和地形的交点 Cesium.ScreenSpaceEventType.MIDDLE_CLICK 鼠标中间点击事件 Cesium.ScreenSpaceEventType.MOUSE_MOVE 鼠标移入事件 Cesium.ScreenS…...

编程日记 2023/12/27 15:42:59

Xcode 编译速度慢是什么原因？如何提高编译速度？

作为一个开发者，我们都希望能够高效地开发应用程序，而编译速度是影响开发效率的重要因素之一。然而，有时候我们会发现在使用 Xcode 进行开发时，译速度非常慢，这给我们带来了不少困扰。那么，为什么 Xcode 的…...

编程日记 2023/12/27 15:41:58

Best Arm Identification in Batched Multi-armed Bandit Problems

Q: 这篇论文试图解决什么问题？ A: 这篇论文试图解决在批量多臂老虎机问题中进行最佳臂识别（BAI）的挑战，其中必须成批地对臂进行抽样，因为代理等待反馈的时间有限。这种场景出现在许多现实世界的应用中，例如…...

编程日记 2023/12/27 15:37:55

Unity编辑器紫色

紫色原因是因为编辑器内跑了其他平台的shader兼容性导致的，需要动态的去修改shader，主要用到Unity的api : Shader.Find(shaderName); 具体的工具代码如下： using System.Collections; using System.Collections.Generic; using UnityEngine…...

编程日记 2023/12/27 15:36:54

冒泡排序（C语言）

void BubbleSort(int arr[], int len) {int i, j, temp;for (i 0; i < len; i){for (j len - 1; j > i; j--){if (arr[j] > arr[j 1]){temp arr[j];arr[j] arr[j 1];arr[j 1] temp;}}} } 优化： 设置标志位flag，如果发生了交换flag设置…...

编程日记 2023/12/27 15:35:53

Unity中Shader观察空间推导（在Shader中实现）

文章目录前言一、观察空间矩阵推导1、求观察空间基向量2、求观察空间的基向量在世界空间中的矩阵的逆矩阵2、求平移变换矩阵3、相乘得出观察空间转化矩阵4、得到顶点的世界空间坐标，然后转化到观察空间5、把观察空间坐标转化为齐次裁剪坐标输出到屏幕二、最终效…...

编程日记 2023/12/27 15:30:49

Hive04_DDL操作

Hive DDL操作 1 DDL 数据定义 1.1 创建数据库 CREATE DATABASE [IF NOT EXISTS] database_name [COMMENT database_comment] [LOCATION hdfs_path] [WITH DBPROPERTIES (property_nameproperty_value, ...)];[IF NOT EXISTS] ：判断是否存在 [COMMENT database_c…...

编程日记 2023/12/27 15:29:48

【Python】 -- 趣味代码 - 小恐龙游戏

文章目录文章目录 00 小恐龙游戏程序设计框架代码结构和功能游戏流程总结01 小恐龙游戏程序设计02 百度网盘地址00 小恐龙游戏程序设计框架这段代码是一个基于 Pygame 的简易跑酷游戏的完整实现，玩家控制一个角色（龙）躲避障碍物（仙人掌和乌鸦）。以下是代码的详细介绍：…...

编程新知 2026/2/8 20:43:07

【JavaEE】-- HTTP

1. HTTP是什么？ HTTP（全称为"超文本传输协议"）是一种应用非常广泛的应用层协议，HTTP是基于TCP协议的一种应用层协议。应用层协议：是计算机网络协议栈中最高层的协议，它定义了运行在不同主机上…...

编程新知 2026/1/26 21:34:05

抖音增长新引擎：品融电商，一站式全案代运营领跑者

抖音增长新引擎：品融电商，一站式全案代运营领跑者在抖音这个日活超7亿的流量汪洋中，品牌如何破浪前行？自建团队成本高、效果难控；碎片化运营又难成合力——这正是许多企业面临的增长困局。品融电商以「抖音全案代运营…...

编程新知 2026/2/1 5:45:17

剑指offer20_链表中环的入口节点

链表中环的入口节点给定一个链表，若其中包含环，则输出环的入口节点。若其中不包含环，则输出null。数据范围节点 val 值取值范围 [ 1 , 1000 ] [1,1000] [1,1000]。节点 val 值各不相同。链表长度 [ 0 , 500 ] [0,500] [0,500]。 …...

编程新知 2026/1/31 6:09:22

Nuxt.js 中的路由配置详解

Nuxt.js 通过其内置的路由系统简化了应用的路由配置，使得开发者可以轻松地管理页面导航和 URL 结构。路由配置主要涉及页面组件的组织、动态路由的设置以及路由元信息的配置。自动路由生成 Nuxt.js 会根据 pages 目录下的文件结构自动生成路由配置。每个文件都会对…...

编程新知 2026/2/6 16:52:42

苍穹外卖--缓存菜品

1.问题说明用户端小程序展示的菜品数据都是通过查询数据库获得，如果用户端访问量比较大，数据库访问压力随之增大 2.实现思路通过Redis来缓存菜品数据，减少数据库查询操作。缓存逻辑分析： ①每个分类下的菜品保持一份缓存数据…...

编程新知 2026/2/7 15:39:49

Maven 概述、安装、配置、仓库、私服详解

目录 1、Maven 概述 1.1 Maven 的定义 1.2 Maven 解决的问题 1.3 Maven 的核心特性与优势 2、Maven 安装 2.1 下载 Maven 2.2 安装配置 Maven 2.3 测试安装 2.4 修改 Maven 本地仓库的默认路径 3、Maven 配置 3.1 配置本地仓库 3.2 配置 JDK 3.3 IDEA 配置本地 Ma…...

编程新知 2026/2/8 1:58:01