statsforecast herunterladen - statsforecast Quellcode herunterladen

Landesprognose

Python

v2.0.0

Herunterladen

Nixtla

Statistische ⚡️ Prognose

Blitzschnelle Prognosen mit statistischen und ökonometrischen Modellen

StatsForecast bietet eine Sammlung weit verbreiteter univariater Zeitreihen-Prognosemodelle, einschließlich automatischer ARIMA , ETS , CES und Theta Modellierung, die für hohe Leistung mit numba optimiert sind. Es enthält auch eine große Auswahl an Benchmarking-Modellen.

Installation

Sie können StatsForecast installieren mit:

 pip install statsforecast

oder

 conda install - c conda - forge statsforecast

Weitere Anweisungen finden Sie in unserer Installationsanleitung.

Schnellstart

Minimales Beispiel

 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 ])

Beginnen Sie mit dieser Kurzanleitung.

Befolgen Sie diese End-to-End-Anleitung für Best Practices.

Warum?

Aktuelle Python-Alternativen für statistische Modelle sind langsam, ungenau und lassen sich nicht gut skalieren. Deshalb haben wir eine Bibliothek erstellt, die für Prognosen in Produktionsumgebungen oder als Benchmarks verwendet werden kann. StatsForecast umfasst eine umfangreiche Modellbatterie, die Millionen von Zeitreihen effizient anpassen kann.

Merkmale

Schnellste und genaueste Implementierungen von AutoARIMA , AutoETS , AutoCES , MSTL und Theta in Python.
Sofort einsatzbereite Kompatibilität mit Spark, Dask und Ray.
Probabilistische Prognose und Konfidenzintervalle.
Unterstützung für exogene Variablen und statische Kovariaten.
Anomalieerkennung.
Vertraute Sklearn-Syntax: .fit und .predict .

Höhepunkte

Einbeziehung exogenous variables und prediction intervals für ARIMA.
20x schneller als pmdarima .
1,5x schneller als R .
500x schneller als Prophet .
4x schneller als statsmodels .
Mit numba zu leistungsstarkem Maschinencode kompiliert.
1.000.000 Serien in 30 Min. mit Ray.
Ersetzen Sie FB-Prophet in zwei Codezeilen und gewinnen Sie an Geschwindigkeit und Genauigkeit. Schauen Sie sich die Experimente hier an.
Passen Sie 10 Benchmark-Modelle an 1.000.000 Serien in weniger als 5 Minuten an.

Fehlt etwas? Bitte öffnen Sie ein Problem oder schreiben Sie uns

Beispiele und Anleitungen

End-to-End-Komplettlösung: Modelltraining, Bewertung und Auswahl für mehrere Zeitreihen

? Anomalieerkennung: Erkennen Sie Anomalien für Zeitreihen mithilfe von Vorhersageintervallen innerhalb der Stichprobe.

?‍? Kreuzvalidierung: Leistungsbewertung eines robusten Modells.

❄️ Mehrere Saisonalitäten: So prognostizieren Sie Daten mit mehreren Saisonalitäten mithilfe einer MSTL.

? Nachfragespitzen vorhersagen: Stromlastprognose zur Erkennung täglicher Spitzen und zur Reduzierung der Stromrechnungen.

? Intermittierende Nachfrage: Prognosereihe mit sehr wenigen Beobachtungen ungleich Null.

?️ Exogene Regressoren: wie Wetter oder Preise

Modelle

Automatische Prognose

Automatische Prognosetools suchen nach den besten Parametern und wählen das bestmögliche Modell für eine Gruppe von Zeitreihen aus. Diese Tools sind nützlich für große Sammlungen univariater Zeitreihen.

Modell	Punktvorhersage	Wahrscheinlichkeitsprognose	Angepasste Stichprobenwerte	Probabilistisch angepasste Werte	Exogene Merkmale
AutoARIMA	✅	✅	✅	✅	✅
AutoETS	✅	✅	✅	✅
AutoCES	✅	✅	✅	✅
AutoTheta	✅	✅	✅	✅
AutoMFLES	✅	✅	✅	✅	✅
AutoTBATS	✅	✅	✅	✅

ARIMA-Familie

Diese Modelle nutzen die vorhandenen Autokorrelationen in der Zeitreihe.

Modell	Punktvorhersage	Wahrscheinlichkeitsprognose	Angepasste Stichprobenwerte	Probabilistisch angepasste Werte	Exogene Merkmale
ARIMA	✅	✅	✅	✅	✅
AutoRegressiv	✅	✅	✅	✅	✅

Theta-Familie

Passen Sie zwei Theta-Linien an eine entsaisonalisierte Zeitreihe an, indem Sie verschiedene Techniken verwenden, um die beiden Theta-Linien zu erhalten und zu kombinieren, um die endgültigen Prognosen zu erstellen.

Modell	Punktvorhersage	Wahrscheinlichkeitsprognose	Angepasste Stichprobenwerte	Probabilistisch angepasste Werte
Theta	✅	✅	✅	✅
Optimiertes Theta	✅	✅	✅	✅
DynamicTheta	✅	✅	✅	✅
DynamicOptimizedTheta	✅	✅	✅	✅

Mehrere Saisonalitäten

Geeignet für Signale mit mehr als einer klaren Saisonalität. Nützlich für niederfrequente Daten wie Strom und Protokolle.

Modell	Punktvorhersage	Wahrscheinlichkeitsprognose	Angepasste Stichprobenwerte	Probabilistisch angepasste Werte	Exogene Merkmale
MSTL	✅	✅	✅	✅	Wenn der Trendprognostiker dies unterstützt
MFLES	✅	✅	✅	✅	✅
TBATS	✅	✅	✅	✅

GARCH- und ARCH-Modelle

Geeignet für die Modellierung von Zeitreihen, die im Zeitverlauf eine nicht konstante Volatilität aufweisen. Das ARCH-Modell ist ein Sonderfall von GARCH.

Modell	Punktvorhersage	Wahrscheinlichkeitsprognose	Angepasste Stichprobenwerte	Probabilistisch angepasste Werte	Exogene Merkmale
GARCH	✅	✅	✅	✅
BOGEN	✅	✅	✅	✅

Basismodelle

Klassische Modelle zur Festlegung der Basislinie.

Modell	Punktvorhersage	Wahrscheinlichkeitsprognose	Angepasste Stichprobenwerte	Probabilistisch angepasste Werte
Historischer Durchschnitt	✅	✅	✅	✅
Naiv	✅	✅	✅	✅
RandomWalkWithDrift	✅	✅	✅	✅
SaisonalNaiv	✅	✅	✅	✅
WindowAverage	✅
Saisonaler Fensterdurchschnitt	✅

Exponentielle Glättung

Verwendet einen gewichteten Durchschnitt aller vergangenen Beobachtungen, wobei die Gewichte in der Vergangenheit exponentiell abnehmen. Geeignet für Daten mit klarem Trend und/oder Saisonalität. Verwenden Sie die SimpleExponential Familie für Daten ohne klaren Trend oder Saisonalität.

Modell	Punktvorhersage	Wahrscheinlichkeitsprognose	Angepasste Stichprobenwerte	Probabilistisch angepasste Werte
SimpleExponentialSmoothing	✅
EinfachExponentiellGlättungOptimiert	✅
SaisonalExponentielleGlättung	✅
SaisonalExponentiellGlättungOptimiert	✅
Holt	✅	✅	✅	✅
HoltWinters	✅	✅	✅	✅

Spärlich oder intermittierend

Geeignet für Serien mit sehr wenigen Beobachtungen ungleich Null

Modell	Punktvorhersage	Angepasste Stichprobenwerte	Probabilistisch angepasste Werte
ADIDA	✅	✅	✅
CrostonClassic	✅	✅	✅
Crostonoptimiert	✅	✅	✅
CrostonSBA	✅	✅	✅
IMAPA	✅	✅	✅
TSB	✅	✅	✅

? So können Sie einen Beitrag leisten

Siehe CONTRIBUTING.md.

Zitieren

 @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 }
}

Mitwirkende

Der Dank geht an diese wunderbaren Menschen (Emoji-Taste):

_blau ?	_{José Morales} ?	_{Sugato Ray}	_{Jeff Tackes} ?	_darinkist ?	_{Alec Helyar}	_{Dave Hirschfeld}
_Mergenthaler	_{Verwandtschaft}	_Yasslight90 ?	_asinig ?	_{Philip Gillißen}	_{Sebastian Hagn} ?	_{Han Wang}
_{Ben Jeffrey} ?	_Beljawski	_{Mariana Menchero García}	_{Nikhil Gupta} ?	_JD ?	_{Josh Attenberg}	_{JeroenPeterBos}
_{Jeroen Van Der Donckt}	_Roymprog	_{Nelson Cárdenas Bolaño}	_{Kyle Schmaus}	_{Akmal Soliev}	_{Nick To}	_{Kevin Kho}
_{Yiben Huang}	_{Andrew Gross}	_taniishkaaa	_{Manuel Calzolari}