多事件时间序列预测：使用Neural Prophet预测各分类频次

方案1：各分类单独训练预测（适合分类数量少于20的场景） #

你已经掌握单序列预测能力，只需要对数据做拆分即可快速实现：

• 第一步：按分类字段对原数据集分组，每个分类单独提取为只含ds（时间列）、y（频次列）的单序列数据集
• 第二步：对每个分类的数据集分别初始化Neural Prophet模型，按你熟悉的单序列流程完成拟合、生成未来时间序列、执行预测
• 第三步：将所有分类的预测结果合并，补充对应分类标识，即可得到2018年全分类的频次预测结果

方案2：全局多序列训练（Neural Prophet原生支持，分类数量多也可高效运行） #

这是Neural Prophet专门为多时间序列场景设计的功能，无需拆分数据集，整体训练效率更高：

• 第一步：先统一重命名数据集列名：时间列命名为ds，频次列命名为y，分类列命名为ID（ID是模型识别不同分类序列的核心标识，命名不能出错）
• 第二步：和单序列流程一致初始化模型，无需额外调整基础参数：

from neuralprophet import NeuralProphet
model = NeuralProphet(normalize="auto") # 开启auto归一化可适配不同分类的频次量级差异，提升精度

• 第三步：直接传入全量数据集拟合，模型会自动为不同分类学习独立的时序规律：

# 此处freq参数按你的数据时间粒度调整，日度数据填D，月度填M，周度填W
metrics = model.fit(df, freq="D")

• 第四步：生成覆盖2018年的未来预测时间序列，会自动为每个分类生成对应长度的时间行：

# periods参数填你要预测的步数，比如日度预测全年填365，月度预测全年填12
future = model.make_future_dataframe(df, periods=365, n_historic_predictions=0)

• 第五步：执行预测，输出结果的ID列对应不同分类，直接筛选即可得到对应分类2018年的频次预测值：

forecast = model.predict(future)

可选效果验证操作 #

• 调用model.plot(forecast)可查看不同分类的预测拟合效果
• 调用model.plot_components(forecast)可查看不同分类对应的趋势、周期等特征分量

内容的提问来源于stack exchange，提问作者Omar