Finden Sie die besten Zeitreihen-Prognosetools im Jahr 2026

Zeitreihenprognosen sagen zukünftige Werte voraus, indem sie Muster aus vergangenen Daten lernen. Es wird häufig in den Bereichen Vertrieb, Finanzen, Energie, Webverkehr, Bestandsplanung und Geschäftsentscheidungen eingesetzt. Doch seit der Einführung fortschrittlicher ML-Modelle hat sich viel geändert.

Die Prognose hat sich von traditionellen statistischen Modellen hin zu neuronalen und Grundlagenmodell-Ansätzen entwickelt. Instruments wie Prophet, NeuralProphet, TimeGPT und Chronos spiegeln diesen Wandel wider, wobei jedes Device Genauigkeit, Skalierbarkeit, Erklärbarkeit und Produktionsanforderungen unterschiedlich in Einklang bringt. In diesem Artikel werden wir diese Instruments vergleichen und verstehen, wo jedes einzelne am besten in das Spektrum der Zeitprognosen passt.

Bei der Auswahl eines Prognosetools geht es nicht nur darum, das genaueste Modell zu finden. In realen Projekten müssen Groups auch über Erklärbarkeit, Skalierbarkeit, Geschwindigkeit, Kosten und Bereitstellungsanforderungen nachdenken. Einige Prognosen müssen für Geschäftsanwender einfach genug sein, um sie zu verstehen, während andere Tausende von Zeitreihen schnell verarbeiten müssen. Prophet, NeuralProphet, TimeGPT und Chronos lösen unterschiedliche Prognoseprobleme. Prophet konzentriert sich auf Klarheit und Interpretierbarkeit, NeuralProphet fügt verzögerungsbasiertes Lernen hinzu, TimeGPT reduziert den Setup über eine API und Chronos unterstützt Open-Weight-Basis-Mannequin-Prognosen.

Praxisnaher Umsetzungsansatz

Vor dem Testen der Prognosetools müssen die erforderlichen Bibliotheken installiert werden. Prophet und NeuralProphet werden für das lokale Modelltraining verwendet, TimeGPT benötigt das Nixtla SDK und einen API-Schlüssel und Chronos kann über das Chronos-Prognosepaket oder AutoGluon verwendet werden.

# These are the libraries required for utilizing the entire instruments coated on this article
pip set up prophet
pip set up neuralprophet
pip set up nixtla
pip set up chronos-forecasting
pip set up autogluon.timeseries 

Diese Befehle installieren die Hauptpakete, die für die Ausführung von Prophet, NeuralProphet, TimeGPT und Chronos erforderlich sind.

Prophet

Prophet ist ein einfaches, erklärbares Open-Supply-Prognosetool, das von Fb entwickelt wurde. Es eignet sich intestine für Geschäftsdaten mit Tendencies, Saisonalität, Feiertagen und wiederkehrenden Ereignissen und ist daher nützlich für Umsatz-, Nachfrage- und Net-Site visitors-Prognosen.

Prophet erfordert zwei Spalten: ds für das Datum oder den Zeitstempel und y für den Zielwert. Sobald es trainiert ist, kann es Zukunftsprognosen mit Unsicherheitsintervallen erstellen, was es zu einer starken Foundation macht, bevor es NeuralProphet, TimeGPT oder Chronos ausprobiert.

Workflow-Diagramm des Propheten

Prophetencode

import pandas as pd
from prophet import Prophet

df = pd.DataFrame({
    "ds": pd.date_range("2024-01-01", intervals=200, freq="D"),
    "y": vary(200),
})

mannequin = Prophet()
mannequin.match(df)

future = mannequin.make_future_dataframe(intervals=30)
forecast = mannequin.predict(future)

print(forecast(("ds", "yhat", "yhat_lower", "yhat_upper")).tail())

Dieser Code erstellt einen einfachen täglichen Zeitreihendatensatz mit Pandas. Der ds Spalte enthält Datumsangaben und die y Die Spalte enthält die Werte, die prognostiziert werden sollen. Anschließend wird das Prophet-Modell anhand der historischen Daten initialisiert und trainiert. Nach dem Coaching, make_future_dataframe() erstellt Termine für die nächsten 30 Tage. Der predict() Funktion generiert die Prognose. Die Ausgabe enthält den vorhergesagten Wert zusammen mit yhat_lower Und yhat_upperdie den Unsicherheitsbereich zeigen.

NeuralProphet

Nach Prophet ist NeuralProphet das nächste zu diskutierende Modell, da es auf der gleichen Idee aufbaut, aber mehr Flexibilität bietet. NeuralProphet behält die bekannte Struktur von Development und Saisonalität im Prophet-Stil bei, fügt aber auch neuronale Netzwerkfunktionen hinzu, wie z Autoregressionverzögerte Werte, Kovariaten und PyTorch-basiertes Coaching. Dies macht es nützlich, wenn aktuelle Vergangenheitswerte einen starken Einfluss auf zukünftige Werte haben. Beispielsweise können beim Net-Site visitors, bei der Stromnachfrage oder bei Umsatzprognosen die letzten Tage oder Stunden einen starken Einfluss auf die nächste Prognose haben.

NeuralProphet ist eine gute Wahl, wenn Prophet zu einfach ist, das Workforce aber dennoch ein Modell möchte, das leichter zu verstehen ist als eine vollständige Blackbox tiefes Lernen Modell. Es fungiert als Brücke zwischen traditioneller erklärbarer Prognose und neuronaler Prognose. Wie Prophet verwendet es ds für Termine und y für Zielwerte, bietet aber mehr Raum für die Erfassung kurzfristiger Muster und Verzögerungsverhalten.

NeuralProphet-Workflow-Diagramm

NeuralProphet-Code

import pandas as pd
import torch
from neuralprophet import NeuralProphet, configure
import torch.serialization
import torch.nn as nn
import torch.optim as optim

# Patch torch.load to make use of weights_only=False
# This helps with NeuralProphet compatibility.
_original_torch_load = torch.load


def _patched_torch_load(*args, **kwargs):
    kwargs.setdefault("weights_only", False)
    return _original_torch_load(*args, **kwargs)


torch.load = _patched_torch_load

df = pd.DataFrame({
    "ds": pd.date_range("2024-01-01", intervals=200, freq="D"),
    "y": vary(200),
})

mannequin = NeuralProphet()

metrics = mannequin.match(df, freq="D")

future = mannequin.make_future_dataframe(df, intervals=30)
forecast = mannequin.predict(future)

print(forecast(("ds", "yhat1")).tail())

Dieser Code erstellt einen täglichen Zeitreihendatensatz mit vier Spalten: ds (Daten), y (Zielwerte), Temperatur (verzögerter Regressor) und Promo (zukünftiger Regressor).

Das Modell wird mit initialisiert n_lags=7 die letzten 7 Tage als autoregressive Eingaben zu verwenden und n_forecasts=3 um 3 Schritte gleichzeitig vorauszusagen. add_lagged_regressor("temperature") fügt eine Kovariate hinzu, deren zukünftige Werte unbekannt sind add_future_regressor("promo") Fügt einen hinzu, dessen zukünftige Werte im Voraus bekannt sind und vor dem Aufruf manuell im zukünftigen Datenrahmen angegeben werden müssen predict().

Nach der Anpassung enthält die Ausgabe drei Prognosespalten: yhat1, yhat2Und yhat3 – stellt Vorhersagen dar, die jeweils 1, 2 und 3 Tage im Voraus liegen.

ZeitGPT

Nach Prophet und NeuralProphet ist TimeGPT das nächste Prognosetool, das es zu berücksichtigen gilt. Es wurde von Nixtla entwickelt und ist ein verwaltetes Basismodell, auf das über eine API zugegriffen wird, sodass keine lokale Schulung für jede Aufgabe erforderlich ist.

TimeGPT eignet sich für schnelle Prognosen, Zero-Shot-Anwendungsfälle, mehrere Zeitreihen, exogene Variablen und probabilistische Prognosen. Seine Einfachheit ist der Hauptvorteil, aber Groups sollten Datenschutz, Kosten, Governance und Anbieterabhängigkeit berücksichtigen, da es Closed Supply und API-basiert ist.

TimeGPT-Workflow-Diagramm

TimeGPT-Code

import os

import pandas as pd
from nixtla import NixtlaClient

df = pd.DataFrame({
    "ds": pd.date_range("2024-01-01", intervals=200, freq="D"),
    "y": vary(200),
})

shopper = NixtlaClient(api_key=os.environ("NIXTLA_API_KEY"))

forecast = shopper.forecast(
    df=df,
    h=30,
    time_col="ds",
    target_col="y",
)

# print(forecast.tail())

Dieser Code erstellt einen einfachen täglichen Zeitreihendatensatz mit zwei Spalten: ds Und y. Die ds-Spalte enthält die Daten und die y-Spalte enthält die prognostizierten Werte. Der NixtlaClient wird mithilfe eines API-Schlüssels initialisiert, der in der Umgebungsvariablen gespeichert ist NIXTLA_API_KEY.

Der forecast() sendet die Daten an TimeGPT und fordert eine 30-stufige Prognose mit an h=30. Der arguments time_col="ds" Und target_col="y" Teilen Sie TimeGPT mit, welche Spalte Zeitwerte und welche Spalte die Zielwerte enthält. Die Ausgabe enthält die von der API zurückgegebenen zukünftigen Prognosewerte.

Chronos

Chronos ist ein offenes Basismodell von Amazon Science, das mehr Bereitstellungskontrolle bietet als geschlossene APIs wie TimeGPT. Es behandelt Prognosen wie Sprachmodellierung, indem es Zeitreihenwerte in Token umwandelt und anhand dieser Muster zukünftige Werte vorhersagt.

Es ist nützlich für Groups, die Zero-Shot-Prognosen mit Selbsthosting, lokalen Checks oder Cloud-Bereitstellung wünschen. Die Familie umfasst Chronos, Chronos-Bolt für schnellere und speichereffizientere Prognosen und Chronos-2 für multivariate und kovariatenbewusste Prognosen.

Chronos-Workflow-Diagramm

Chronos-Code

import torch
from chronos import BaseChronosPipeline

context = torch.tensor(checklist(vary(200)), dtype=torch.float32)

pipeline = BaseChronosPipeline.from_pretrained(
    "amazon/chronos-bolt-small",
    device_map="cpu",
)

samples = pipeline.predict(
    context=context,
    prediction_length=30,
    num_samples=20,
)

median_forecast = torch.median(samples, dim=0).values

# print(median_forecast)

Dieser Code erstellt mit PyTorch eine einfache historische Zeitreihe. Die Kontextvariable speichert die vergangenen Werte, die Chronos zur Prognose der Zukunft verwenden wird. Der BaseChronosPipeline.from_pretrained() lädt ein vorab trainiertes Chronos-Bolt-Modell. In diesem Beispiel läuft das Modell auf der CPU.

Die Funktion „predict()“ generiert mehrere mögliche zukünftige Pfade. Der prediction_length=30 Argument bedeutet, dass das Modell die nächsten 30 Zeitschritte vorhersagt, und num_samples=20 bedeutet, dass 20 mögliche Prognosestichproben erstellt werden. Abschließend wird aus diesen Stichproben die mittlere Prognose berechnet. Dies ist nützlich, da Chronos probabilistische Vorhersagen erstellt und nicht nur eine feste Vorhersage.

Modellierungsansätze und Funktionsunterstützung

Prophet und NeuralProphet trainieren anhand der historischen Daten des Benutzers als lokale Prognosemodelle. Prophet verwendet Development, Saisonalität, Feiertage und Regressoren, während NeuralProphet Autoregression und neuronale Komponenten hinzufügt.

TimeGPT und Chronos verwenden einen Basis-Mannequin-Ansatz. TimeGPT arbeitet über eine verwaltete Transformer-API, während Chronos Open-Weight-Modelle verwendet, die Zeitreihenwerte tokenisieren. Im Allgemeinen sind Prophet und NeuralProphet einfacher zu erklären, während TimeGPT und Chronos für Zero-Shot- und probabilistische Vorhersagen besser geeignet sind.

Modellierungsansatzdiagramm

Funktionsvergleichstabelle

• Prophet eignet sich am besten, wenn die Prognose klar erklärt werden muss.
• NeuralProphet eignet sich am besten, wenn die Daten starke kurzfristige Muster aufweisen.
• TimeGPT eignet sich am besten, wenn Groups schnelle Ergebnisse erzielen möchten, ohne die Trainingsinfrastruktur verwalten zu müssen.
• Chronos eignet sich am besten, wenn Groups Prognosen auf Foundation eines offenen Modells mit Kontrolle über die Bereitstellung wünschen.

Notiz: TimeGPT und Chronos erfordern kostenpflichtige API-Schlüssel. Dies macht Prophet und NeuralProphet zur ersten Wahl für die kostenlose Arbeit an Zeitreihenvorhersagen.

Benchmarks und Leistung

Benchmark-Ergebnisse für Prophet, NeuralProphet, TimeGPT und Chronos sollten sorgfältig gelesen werden, da sie nicht immer unter den gleichen Bedingungen getestet werden. Für einen fairen Vergleich sind derselbe Datensatz, der gleiche Prognosehorizont, die gleiche Zugtestaufteilung, der gleiche Optimierungsprozess und die gleichen Metriken erforderlich.

Prophet ist eine stark erklärbare Basislinie, während NeuralProphet hilfreich sein kann, wenn kurzfristige Verzögerungsmuster wichtig sind. TimeGPT eignet sich für schnell verwaltete Zero-Shot-Prognosen und Chronos-Bolt ist eine leistungsstarke Possibility für ein offenes Fundamentmodell. Dennoch sollten Groups alle Modelle anhand ihrer eigenen Daten vergleichen, bevor sie eines für die Produktion auswählen.

Benchmark-Diagramm

Leistungsvergleichstabelle

Skalierbarkeit und Latenz

Skalierbarkeit und Latenz sind wichtig, da Produktionsprognosen häufig viele Prognosen gleichzeitig erfordern. Prophet ist für kleine bis mittlere Arbeitslasten zuverlässig, kann jedoch bei vielen einzelnen Serien langsamer werden. NeuralProphet unterstützt PyTorch und GPUs, muss aber noch geschult und optimiert werden. TimeGPT reduziert das lokale Engineering durch eine verwaltete API, während Chronos lokale oder Cloud-Bereitstellungskontrolle bietet. Chronos-Bolt eignet sich am besten, wenn schnellere, speichereffiziente Prognosen erforderlich sind.

Produktionsüberlegungen

Für die Produktion muss ein Prognosemodell zu den Bereitstellungsanforderungen des Groups passen und darf nicht nur intestine vorhersagen. Prophet ist leicht zu debuggen und zu erklären, während NeuralProphet Flexibilität bietet, aber mehr Optimierung erfordert. TimeGPT lässt sich einfach über eine API übernehmen, wirft jedoch Bedenken hinsichtlich der Kosten, des Datenschutzes, der Governance und der Anbieterabhängigkeit auf. Chronos unterstützt Open-Weight-Selbsthosting, erfordert jedoch mehr Infrastrukturplanung. Ein gutes Setup kombiniert häufig eine transparente Basislinie mit einem erweiterten Modell.

Abschluss

Zeitreihenprognosen umfassen jetzt erklärbare Instruments wie Prophet, versatile neuronale Modelle wie NeuralProphet, verwaltete APIs wie TimeGPT und Open-Weight-Basis-Modelle wie Chronos. Es gibt keine allgemeingültige beste Wahl.

Groups sollten Modelle anhand ihrer eigenen Daten vergleichen und auf der Grundlage von Genauigkeit, Erklärbarkeit, Bereitstellungsanforderungen und Geschäftszielen auswählen.

Hallo, ich bin Janvi, ein leidenschaftlicher Information-Science-Fanatic, der derzeit bei Analytics Vidhya arbeitet. Meine Reise in die Welt der Daten begann mit einer tiefen Neugier, wie wir aus komplexen Datensätzen aussagekräftige Erkenntnisse gewinnen können.