Descarga de statsforecast - descarga del código fuente de statsforecast

pronóstico del estado

Pitón

v2.0.0

Descargar

Nixtla

Estadístico ⚡️ Pronóstico

Pronósticos ultrarrápidos con modelos estadísticos y econométricos

StatsForecast ofrece una colección de modelos de pronóstico de series temporales univariantes ampliamente utilizados, incluido el modelado automático ARIMA , ETS , CES y Theta optimizado para un alto rendimiento utilizando numba . También incluye una gran batería de modelos de benchmarking.

Instalación

Puedes instalar StatsForecast con:

 pip install statsforecast

o

 conda install - c conda - forge statsforecast

Visite nuestra Guía de instalación para obtener más instrucciones.

Inicio rápido

Ejemplo mínimo

 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 ])

Comience con esta guía rápida.

Siga este tutorial completo para conocer las mejores prácticas.

¿Por qué?

Las alternativas actuales de Python para modelos estadísticos son lentas, inexactas y no escalan bien. Por eso creamos una biblioteca que se puede utilizar para realizar pronósticos en entornos de producción o como puntos de referencia. StatsForecast incluye una amplia batería de modelos que pueden adaptarse de manera eficiente a millones de series temporales.

Características

Implementaciones más rápidas y precisas de AutoARIMA , AutoETS , AutoCES , MSTL y Theta en Python.
Compatibilidad inmediata con Spark, Dask y Ray.
Pronósticos probabilísticos e intervalos de confianza.
Soporte para Variables exógenas y covariables estáticas.
Detección de anomalías.
Sintaxis familiar de sklearn: .fit y .predict .

Reflejos

Inclusión de exogenous variables e prediction intervals para ARIMA.
20 veces más rápido que pmdarima .
1,5 veces más rápido que R
500 veces más rápido que Prophet .
4 veces más rápido que statsmodels .
Compilado en código de máquina de alto rendimiento a través de numba .
1.000.000 de series en 30 min con rayo.
Reemplace FB-Prophet en dos líneas de código y gane velocidad y precisión. Consulta los experimentos aquí.
Instale 10 modelos de referencia en la serie 1.000.000 en menos de 5 minutos .

¿Te falta algo? Por favor abra un problema o escríbanos

Ejemplos y guías

Tutorial de principio a fin: capacitación, evaluación y selección de modelos para múltiples series temporales

? Detección de anomalías: detecte anomalías en series temporales utilizando intervalos de predicción en la muestra.

?‍? Validación cruzada: evaluación del desempeño del modelo robusto.

❄️ Múltiples estacionales: cómo pronosticar datos con múltiples estacionales usando un MSTL.

? Predecir picos de demanda: previsión de carga eléctrica para detectar picos diarios y reducir las facturas eléctricas.

? Demanda intermitente: series de pronósticos con muy pocas observaciones distintas de cero.

?️ Regresores exógenos: como el clima o los precios

Modelos

Previsión automática

Las herramientas de previsión automática buscan los mejores parámetros y seleccionan el mejor modelo posible para un grupo de series temporales. Estas herramientas son útiles para grandes colecciones de series temporales univariadas.

Modelo	Pronóstico de puntos	Pronóstico probabilístico	Valores ajustados en muestra	Valores ajustados probabilísticos	Características exógenas
AutoARIMA	✅	✅	✅	✅	✅
AutoETS	✅	✅	✅	✅
AutoCES	✅	✅	✅	✅
AutoTheta	✅	✅	✅	✅
AutoMFLES	✅	✅	✅	✅	✅
AutoTBATS	✅	✅	✅	✅

Familia ARIMA

Estos modelos explotan las autocorrelaciones existentes en las series temporales.

Modelo	Pronóstico de puntos	Pronóstico probabilístico	Valores ajustados en muestra	Valores ajustados probabilísticos	Características exógenas
ARIMA	✅	✅	✅	✅	✅
Autoregresivo	✅	✅	✅	✅	✅

Familia Theta

Ajuste dos líneas theta a una serie temporal desestacionalizada, utilizando diferentes técnicas para obtener y combinar las dos líneas theta para producir los pronósticos finales.

Modelo	Pronóstico de puntos	Pronóstico probabilístico	Valores ajustados en muestra	Valores ajustados probabilísticos
theta	✅	✅	✅	✅
Theta optimizado	✅	✅	✅	✅
Theta dinámica	✅	✅	✅	✅
DinámicoOptimizadoTheta	✅	✅	✅	✅

Múltiples estacionalidades

Adecuado para señales con más de una estacionalidad clara. Útil para datos de baja frecuencia como electricidad y registros.

Modelo	Pronóstico de puntos	Pronóstico probabilístico	Valores ajustados en muestra	Valores ajustados probabilísticos	Características exógenas
MSTL	✅	✅	✅	✅	Si el pronosticador de tendencias apoya
MFLES	✅	✅	✅	✅	✅
TBATS	✅	✅	✅	✅

Modelos GARCH y ARCH

Adecuado para modelar series temporales que exhiben una volatilidad no constante en el tiempo. El modelo ARCH es un caso particular de GARCH.

Modelo	Pronóstico de puntos	Pronóstico probabilístico	Valores ajustados en muestra	Valores ajustados probabilísticos	Características exógenas
GARCIA	✅	✅	✅	✅
ARCO	✅	✅	✅	✅

Modelos de referencia

Modelos clásicos para establecer la línea de base.

Modelo	Pronóstico de puntos	Pronóstico probabilístico	Valores ajustados en muestra	Valores ajustados probabilísticos
Promedio histórico	✅	✅	✅	✅
Ingenuo	✅	✅	✅	✅
Paseo aleatorio con deriva	✅	✅	✅	✅
estacionalingenuo	✅	✅	✅	✅
VentanaPromedio	✅
Ventana estacionalPromedio	✅

Suavizado exponencial

Utiliza un promedio ponderado de todas las observaciones pasadas donde los pesos disminuyen exponencialmente en el pasado. Adecuado para datos con tendencia clara y/o estacionalidad. Utilice la familia SimpleExponential para datos sin tendencia o estacionalidad clara.

Modelo	Pronóstico de puntos	Pronóstico probabilístico	Valores ajustados en muestra	Valores ajustados probabilísticos
Suavizado exponencial simple	✅
SimpleExponencialSuavizadoOptimizado	✅
Suavizado estacionalexponencial	✅
EstacionalExponencialSuavizadoOptimizado	✅
Bosquecillo	✅	✅	✅	✅
HoltWinters	✅	✅	✅	✅

Escaso o intermitente

Adecuado para series con muy pocas observaciones distintas de cero.

Modelo	Pronóstico de puntos	Valores ajustados en muestra	Valores ajustados probabilísticos
ADIDA	✅	✅	✅
CrostonClásico	✅	✅	✅
CrostonOptimizado	✅	✅	✅
CrostonSBA	✅	✅	✅
IMAPA	✅	✅	✅
TSB	✅	✅	✅

? Como contribuir

Consulte CONTRIBUCIÓN.md.

Citando

 @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 }
}

Colaboradores

Gracias a estas maravillosas personas (tecla emoji):

_azul ?	_{jose morales} ?	_{Rayo Sugato}	_{Jeff Tackes} ?	_darinkista ?	_{Alec Helyar}	_{David Hirschfeld}
_mergenthaler	_Familiares	_Yasslight90 ?	_asinig ?	_{Philip Gillissen}	_{Sebastián Hagn} ?	_{Han Wang}
_{Ben Jeffrey} ?	_Beliavski	_{Mariana Menchero García}	_{Nikhil Gupta} ?	_J.D. ?	_{josh attenberg}	_{JeroenPeterBos}
_{Jeroen Van Der Donckt}	_Roymprog	_{Nelson Cárdenas Bolaño}	_{Kyle Schmaus}	_{Akmal Soliev}	_{nick a}	_{Kevin Kho}
_{Yiben Huang}	_{Andrés Gross}	_taniishkaaa	_{Manuel Calzolari}