توقعات الدولة

نيكستلا

إحصائية ⚡️ توقعات

التنبؤ السريع بسرعة البرق مع النماذج الإحصائية والاقتصادية القياسية

تقدم StatsForecast مجموعة من نماذج التنبؤ بالسلاسل الزمنية أحادية المتغير المستخدمة على نطاق واسع، بما في ذلك نماذج ARIMA و ETS و CES و Theta التلقائية المحسنة للأداء العالي باستخدام numba . ويتضمن أيضًا بطارية كبيرة من نماذج القياس.

تثبيت

يمكنك تثبيت StatsForecast باستخدام:

 pip install statsforecast

أو

 conda install - c conda - forge statsforecast

قم بزيارة دليل التثبيت الخاص بنا للحصول على مزيد من التعليمات.

بداية سريعة

الحد الأدنى من المثال

 from statsforecast import StatsForecast
from statsforecast . models import AutoARIMA
from statsforecast . utils import AirPassengersDF

df = AirPassengersDF
sf = StatsForecast (
    models = [ AutoARIMA ( season_length = 12 )],
    freq = 'ME' ,
)
sf . fit ( df )
sf . predict ( h = 12 , level = [ 95 ])

ابدأ مع هذا الدليل السريع.

اتبع هذه الإرشادات الشاملة للحصول على أفضل الممارسات.

لماذا؟

تعتبر بدائل بايثون الحالية للنماذج الإحصائية بطيئة وغير دقيقة ولا يمكن قياسها بشكل جيد. لذلك قمنا بإنشاء مكتبة يمكن استخدامها للتنبؤ في بيئات الإنتاج أو كمعايير. تتضمن StatsForecast مجموعة واسعة من النماذج التي يمكنها أن تناسب ملايين السلاسل الزمنية بكفاءة.

سمات

• أسرع وأدق تطبيقات AutoARIMA و AutoETS و AutoCES و MSTL و Theta في Python.
• التوافق الجاهز مع Spark وDask وRay.
• التنبؤ الاحتمالي وفترات الثقة.
• دعم المتغيرات الخارجية والمتغيرات المشتركة الثابتة.
• كشف الشذوذ.
• بناء جملة sklearn المألوف: .fit و .predict .

أبرز

• إدراج exogenous variables prediction intervals لـ ARIMA.
• 20x أسرع من pmdarima .
• 1.5x أسرع من R .
• 500x أسرع من Prophet .
• 4x أسرع من statsmodels .
• تم تجميعها إلى كود الآلة عالي الأداء من خلال numba .
• 1,000,000 سلسلة في 30 دقيقة مع الراي.
• استبدل FB-Prophet في سطرين من التعليمات البرمجية واكتسب السرعة والدقة. تحقق من التجارب هنا.
• قم بتركيب 10 نماذج قياسية على 1,000,000 سلسلة في أقل من 5 دقائق .

في عداد المفقودين شيئا؟ يرجى فتح قضية أو الكتابة لنا

أمثلة وأدلة

جولة شاملة من البداية إلى النهاية: نموذج التدريب والتقييم والاختيار لسلاسل زمنية متعددة

؟ اكتشاف الحالات الشاذة: اكتشاف الحالات الشاذة للسلاسل الزمنية باستخدام فترات التنبؤ داخل العينة.

?‍? التحقق من الصحة: ​​تقييم أداء النموذج القوي.

❄️ الموسميات المتعددة: كيفية التنبؤ بالبيانات ذات الموسميات المتعددة باستخدام MSTL.

؟ التنبؤ بذروات الطلب: التنبؤ بحمل الكهرباء لاكتشاف القمم اليومية وخفض فواتير الكهرباء.

؟ الطلب المتقطع: سلسلة توقعات مع عدد قليل جدًا من الملاحظات غير الصفرية.

⁉️ التراجعات الخارجية: مثل الطقس أو الأسعار

نماذج

التنبؤ التلقائي

تبحث أدوات التنبؤ التلقائية عن أفضل المعلمات وتختار أفضل نموذج ممكن لمجموعة من السلاسل الزمنية. هذه الأدوات مفيدة للمجموعات الكبيرة من السلاسل الزمنية أحادية المتغير.

نموذج	توقعات النقطة	توقعات احتمالية	Insample القيم المجهزة	القيم المجهزة الاحتمالية	الميزات الخارجية
أوتواريما	✅	✅	✅	✅	✅
أوتويتس	✅	✅	✅	✅
أوتوكيس	✅	✅	✅	✅
أوتو ثيتا	✅	✅	✅	✅
أوتومفلس	✅	✅	✅	✅	✅
أوتوتاباتس	✅	✅	✅	✅

عائلة أريما

تستغل هذه النماذج الارتباطات الذاتية الموجودة في السلسلة الزمنية.

نموذج	توقعات النقطة	توقعات احتمالية	Insample القيم المجهزة	القيم المجهزة الاحتمالية	الميزات الخارجية
أريما	✅	✅	✅	✅	✅
الانحدار التلقائي	✅	✅	✅	✅	✅

عائلة ثيتا

قم بملاءمة خطي ثيتا مع سلسلة زمنية غير موسمية، باستخدام تقنيات مختلفة للحصول على خطي ثيتا ودمجهما لإنتاج التنبؤات النهائية.

نموذج	توقعات النقطة	توقعات احتمالية	Insample القيم المجهزة	القيم المجهزة الاحتمالية	الميزات الخارجية
ثيتا	✅	✅	✅	✅
الأمثل ثيتا	✅	✅	✅	✅
DynamicTheta	✅	✅	✅	✅
DynamicOptimizedTheta	✅	✅	✅	✅

موسميات متعددة

مناسب للإشارات ذات أكثر من موسمية واضحة. مفيد للبيانات منخفضة التردد مثل الكهرباء والسجلات.

نموذج	توقعات النقطة	توقعات احتمالية	Insample القيم المجهزة	القيم المجهزة الاحتمالية	الميزات الخارجية
MSTL	✅	✅	✅	✅	إذا كان يدعم المتنبئ الاتجاه
MFLES	✅	✅	✅	✅	✅
TBATS	✅	✅	✅	✅

نماذج GARCH وARCH

مناسبة لنمذجة السلاسل الزمنية التي تظهر تقلبات غير ثابتة مع مرور الوقت. يعد نموذج ARCH حالة خاصة لـ GARCH.

نموذج	توقعات النقطة	توقعات احتمالية	Insample القيم المجهزة	القيم المجهزة الاحتمالية	الميزات الخارجية
جارش	✅	✅	✅	✅
قوس	✅	✅	✅	✅

النماذج الأساسية

النماذج الكلاسيكية لتحديد خط الأساس.

نموذج	توقعات النقطة	توقعات احتمالية	Insample القيم المجهزة	القيم المجهزة الاحتمالية	الميزات الخارجية
المتوسط ​​التاريخي	✅	✅	✅	✅
ساذج	✅	✅	✅	✅
RandomWalkWithDrift	✅	✅	✅	✅
موسمي ساذج	✅	✅	✅	✅
متوسط ​​النافذة	✅
متوسط ​​النافذة الموسمية	✅

التجانس الأسي

يستخدم المتوسط ​​المرجح لجميع الملاحظات السابقة حيث تتناقص الأوزان بشكل كبير في الماضي. مناسبة للبيانات ذات الاتجاه و/أو الموسمية الواضحة. استخدم عائلة SimpleExponential للبيانات التي ليس لها اتجاه واضح أو موسمية.

نموذج	توقعات النقطة	توقعات احتمالية	Insample القيم المجهزة	القيم المجهزة الاحتمالية	الميزات الخارجية
التجانس الأسي البسيط	✅
تم تحسين التجانس الأسي البسيط	✅
التجانس الأسي الموسمي	✅
التجانس الأسي الموسمي الأمثل	✅
هولت	✅	✅	✅	✅
هولتوينترز	✅	✅	✅	✅

متفرق أو متقطع

مناسبة للسلسلة التي تحتوي على عدد قليل جدًا من الملاحظات غير الصفرية

نموذج	توقعات النقطة	توقعات احتمالية	Insample القيم المجهزة	القيم المجهزة الاحتمالية	الميزات الخارجية
أديدا	✅		✅	✅
كروستون كلاسيك	✅		✅	✅
تم تحسين Croston	✅		✅	✅
كروستونSBA	✅		✅	✅
إيمابا	✅		✅	✅
مكتب تقييس الاتصالات	✅		✅	✅

؟ كيفية المساهمة

انظر CONTRIBUTING.md.

نقلا عن

 @misc { garza2022statsforecast ,
    author = { Azul Garza, Max Mergenthaler Canseco, Cristian Challú, Kin G. Olivares } ,
    title = { {StatsForecast}: Lightning fast forecasting with statistical and econometric models } ,
    year = { 2022 } ,
    howpublished = { {PyCon} Salt Lake City, Utah, US 2022 } ,
    url = { https://github.com/Nixtla/statsforecast }
}

المساهمين

شكرًا لهؤلاء الأشخاص الرائعين (مفتاح الرموز التعبيرية):

ازول ؟	خوسيه موراليس ؟	سوجاتو راي	جيف تاكس ؟	darinkist ؟	أليك هيليار	ديف هيرشفيلد
com.mergenthaler	قريب	ياسلايت90 ؟	asinig ؟	فيليب جيليسن	سيباستيان هاجن ؟	هان وانغ
بن جيفري ؟	بيليافسكي	ماريانا مينشيرو جارسيا	نيخيل جوبتا ؟	دينار أردني ؟	جوش أتينبيرج	جيروين بيتر بوس
جيروين فان دير دونكت	رويمروج	نيلسون كارديناس بولانيو	كايل شماوس	أكمل سولييف	نيك تو	كيفن خو
ييبين هوانغ	أندرو جروس	tanishkaaa	مانويل كالزولاري

يتبع هذا المشروع مواصفات جميع المساهمين. المساهمات من أي نوع موضع ترحيب!