如何使用新增数据在Neural Prophet中重新训练已拟合的保存模型？

Neural Prophet目前官方文档未提供和fbProphet完全一致的增量更新专用API，但基于其PyTorch底层特性，可以通过以下两种方式实现复用旧模型参数、用新数据继续训练的效果：

方法1：加载预训练模型后直接继续训练 #

利用Neural Prophet自带的模型保存/加载机制，在已有权重基础上用新数据优化：

• 先保存训练好的旧模型：

  from neuralprophet import NeuralProphet
  
  # 训练旧模型
  model = NeuralProphet()
  model.fit(df_old_data)
  # 保存模型
  model.save("pretrained_model.np")
  

• 加载模型并使用新数据继续训练：

  # 加载预训练模型
  model = NeuralProphet.load("pretrained_model.np")
  # 用新数据继续训练，建议调小学习率避免破坏原有参数
  model.fit(df_new_data, epochs=10, learning_rate=1e-4)
  

方法2：冻结核心层，仅训练新增组件 #

如果新数据包含新增回归变量、节假日等特征，可以冻结原有模型的核心时间序列层，只训练新增的组件：

model = NeuralProphet.load("pretrained_model.np")

# 冻结模型核心参数，避免被更新
for param in model.model.parameters():
    param.requires_grad = False

# 添加新的特征组件
model.add_future_regressor("new_regressor_col")
model.add_country_holidays("CA")

# 仅训练新增组件，设置更小的学习率
model.fit(df_new_with_features, epochs=15, learning_rate=5e-5)

关键注意点 #

• 继续训练时的学习率必须远低于初始训练值，防止原有已优化的参数被破坏。
• 确保新旧数据的时间频率、列名等格式一致，否则加载模型后训练会报错。
• 若新旧数据的时间序列分布差异极大，增量训练效果可能不如从头训练，建议先评估数据分布一致性。

内容的提问来源于stack exchange，提问作者Moody