statsforecast Télécharger - statsforecast Téléchargement du code source

prévision de l'état

Python

v2.0.0

Télécharger

Nixtla

Statistiques ⚡️ Prévisions

Prévisions ultra-rapides avec des modèles statistiques et économétriques

StatsForecast propose une collection de modèles de prévision de séries chronologiques univariées largement utilisés, notamment la modélisation automatique ARIMA , ETS , CES et Theta optimisée pour des performances élevées à l'aide de numba . Il comprend également une large batterie de modèles d’analyse comparative.

Installation

Vous pouvez installer StatsForecast avec :

 pip install statsforecast

ou

 conda install - c conda - forge statsforecast

Consultez notre guide d'installation pour plus d'instructions.

Démarrage rapide

Exemple minimal

 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 ])

Commencez avec ce guide rapide.

Suivez cette procédure pas à pas de bout en bout pour connaître les meilleures pratiques.

Pourquoi?

Les alternatives Python actuelles pour les modèles statistiques sont lentes, inexactes et ne s'adaptent pas bien. Nous avons donc créé une bibliothèque qui peut être utilisée pour effectuer des prévisions dans des environnements de production ou comme référence. StatsForecast comprend une vaste batterie de modèles capables de s'adapter efficacement à des millions de séries chronologiques.

Caractéristiques

Implémentations les plus rapides et les plus précises d' AutoARIMA , AutoETS , AutoCES , MSTL et Theta en Python.
Compatibilité prête à l'emploi avec Spark, Dask et Ray.
Prévisions probabilistes et intervalles de confiance.
Prise en charge des variables exogènes et des covariables statiques.
Détection d'anomalies.
Syntaxe Sklearn familière : .fit et .predict .

Points forts

Inclusion de exogenous variables et prediction intervals pour ARIMA.
20 fois plus rapide que pmdarima .
1,5 fois plus rapide que R .
500 fois plus rapide que Prophet .
4x plus rapide que statsmodels .
Compilé avec du code machine hautes performances via numba .
1 000 000 de séries en 30 min avec rayon.
Remplacez FB-Prophet en deux lignes de code et gagnez en rapidité et en précision. Vérifiez les expériences ici.
Installez 10 modèles de référence sur 1 000 000 de séries en moins de 5 minutes .

Il manque quelque chose ? Veuillez ouvrir un problème ou nous écrire

Exemples et guides

Procédure pas à pas de bout en bout : formation, évaluation et sélection de modèles pour plusieurs séries temporelles

? Détection des anomalies : détectez les anomalies pour les séries temporelles à l'aide d'intervalles de prédiction dans l'échantillon.

?‍? Validation croisée : évaluation robuste des performances du modèle.

❄️ Saisonnalités multiples : comment prévoir des données avec plusieurs saisonnalités à l'aide d'un MSTL.

? Prédire les pics de demande : prévision de la charge électrique pour détecter les pics quotidiens et réduire les factures d'électricité.

? Demande intermittente : série de prévisions avec très peu d'observations non nulles.

?️ Régresseurs exogènes : comme la météo ou les prix

Modèles

Prévision automatique

Les outils de prévision automatiques recherchent les meilleurs paramètres et sélectionnent le meilleur modèle possible pour un groupe de séries chronologiques. Ces outils sont utiles pour les grandes collections de séries chronologiques univariées.

Modèle	Prévision ponctuelle	Prévisions probabilistes	Inéchantillonner les valeurs ajustées	Valeurs ajustées probabilistes	Caractéristiques exogènes
AutoARIMA	✅	✅	✅	✅	✅
AutoETS	✅	✅	✅	✅
AutoCES	✅	✅	✅	✅
AutoThêta	✅	✅	✅	✅
AutoMFLES	✅	✅	✅	✅	✅
AutoTBATS	✅	✅	✅	✅

Famille ARIMA

Ces modèles exploitent les autocorrélations existantes dans les séries chronologiques.

Modèle	Prévision ponctuelle	Prévisions probabilistes	Inéchantillonner les valeurs ajustées	Valeurs ajustées probabilistes	Caractéristiques exogènes
ARIMA	✅	✅	✅	✅	✅
Autorégressif	✅	✅	✅	✅	✅

Famille Thêta

Ajustez deux lignes thêta à une série chronologique désaisonnalisée, en utilisant différentes techniques pour obtenir et combiner les deux lignes thêta afin de produire les prévisions finales.

Modèle	Prévision ponctuelle	Prévisions probabilistes	Inéchantillonner les valeurs ajustées	Valeurs ajustées probabilistes
Thêta	✅	✅	✅	✅
Thêta optimisé	✅	✅	✅	✅
Thêta dynamique	✅	✅	✅	✅
DynamiqueOptimiséThêta	✅	✅	✅	✅

Saisonnalités multiples

Convient aux signaux avec plus d’une saisonnalité claire. Utile pour les données basse fréquence comme l'électricité et les journaux.

Modèle	Prévision ponctuelle	Prévisions probabilistes	Inéchantillonner les valeurs ajustées	Valeurs ajustées probabilistes	Caractéristiques exogènes
MSTL	✅	✅	✅	✅	Si le prévisionniste de tendances prend en charge
MFLES	✅	✅	✅	✅	✅
TBATS	✅	✅	✅	✅

Modèles GARCH et ARCH

Adapté à la modélisation de séries temporelles présentant une volatilité non constante dans le temps. Le modèle ARCH est un cas particulier de GARCH.

Modèle	Prévision ponctuelle	Prévisions probabilistes	Inéchantillonner les valeurs ajustées	Valeurs ajustées probabilistes	Caractéristiques exogènes
GARCH	✅	✅	✅	✅
CAMBRE	✅	✅	✅	✅

Modèles de référence

Modèles classiques pour établir une ligne de base.

Modèle	Prévision ponctuelle	Prévisions probabilistes	Inéchantillonner les valeurs ajustées	Valeurs ajustées probabilistes
Moyenne historique	✅	✅	✅	✅
Naïf	✅	✅	✅	✅
Marche aléatoire avec dérive	✅	✅	✅	✅
SaisonnierNaïf	✅	✅	✅	✅
Moyenne de la fenêtre	✅
SaisonnierFenêtreMoyenne	✅

Lissage exponentiel

Utilise une moyenne pondérée de toutes les observations passées où les poids diminuent de façon exponentielle dans le passé. Convient aux données présentant une tendance et/ou une saisonnalité claire. Utilisez la famille SimpleExponential pour les données sans tendance ni saisonnalité claires.

Modèle	Prévision ponctuelle	Prévisions probabilistes	Inéchantillonner les valeurs ajustées	Valeurs ajustées probabilistes
SimpleExponentielLissage	✅
SimpleExponentielLissageOptimisé	✅
SaisonnierExponentielLissage	✅
SaisonnierExponentielLissageOptimisé	✅
Holt	✅	✅	✅	✅
HoltHivers	✅	✅	✅	✅

Clairsemé ou intermittent

Convient aux séries avec très peu d'observations non nulles

Modèle	Prévision ponctuelle	Inéchantillonner les valeurs ajustées	Valeurs ajustées probabilistes
ADIDAS	✅	✅	✅
CrostonClassique	✅	✅	✅
CrostonOptimisé	✅	✅	✅
CrostonSBA	✅	✅	✅
IMAP	✅	✅	✅
BST	✅	✅	✅

? Comment contribuer

Voir CONTRIBUTION.md.

Citer

 @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 }
}

Contributeurs

Merci à ces personnes merveilleuses (clé emoji) :

_bleu ?	_{José Morales} ?	_{Rayon Sugato}	_{Jeff Tackes} ?	_darinkiste ?	_{Alec Hélyar}	_{Dave Hirschfeld}
_Mergenthaler	_Proche	_Yasslight90 ?	_asinisant ?	_{Philippe Gilissen}	_{Sébastien Hagn} ?	_{Han Wang}
_{Ben Jeffrey} ?	_Beliavski	_{Mariana Menchero García}	_{Nikhil Gupta} ?	_JD ?	_{Josh Attenberg}	_{JeroenPeterBos}
_{Jeroen Van Der Donckt}	_Roymprog	_{Nelson Cárdenas Bolano}	_{Kyle Schmaus}	_{Akmal Soliev}	_{Nick à}	_{Kévin Kho}
_{Yiben Huang}	_{Andrew Gross}	_taniishkaaa	_{Manuel Calzolari}