Unduh statsforecast - unduhan kode sumber statsforecast

ramalan negara

ular piton

v2.0.0

Unduh

Nixtla.dll

Statistik ⚡️ Prakiraan

Peramalan secepat kilat dengan model statistik dan ekonometrik

StatsForecast menawarkan kumpulan model peramalan deret waktu univariat yang banyak digunakan, termasuk pemodelan ARIMA , ETS , CES , dan Theta otomatis yang dioptimalkan untuk kinerja tinggi menggunakan numba . Ini juga mencakup sejumlah besar model benchmarking.

Instalasi

Anda dapat menginstal StatsForecast dengan:

 pip install statsforecast

atau

 conda install - c conda - forge statsforecast

Kunjungi Panduan Instalasi kami untuk instruksi lebih lanjut.

Mulai Cepat

Contoh 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 ])

Mulailah dengan panduan singkat ini.

Ikuti panduan menyeluruh ini untuk praktik terbaik.

Mengapa?

Alternatif Python saat ini untuk model statistik lambat, tidak akurat, dan tidak dapat diskalakan dengan baik. Jadi kami membuat perpustakaan yang dapat digunakan untuk memperkirakan di lingkungan produksi atau sebagai tolok ukur. StatsForecast mencakup banyak model yang dapat secara efisien memuat jutaan rangkaian waktu.

Fitur

Implementasi AutoARIMA , AutoETS , AutoCES , MSTL dan Theta yang tercepat dan akurat dengan Python.
Kompatibilitas out-of-the-box dengan Spark, Dask, dan Ray.
Peramalan Probabilistik dan Interval Keyakinan.
Dukungan untuk Variabel eksogen dan kovariat statis.
Deteksi Anomali.
Sintaks sklearn yang familier: .fit dan .predict .

Highlight

Pencantuman exogenous variables dan prediction intervals untuk ARIMA.
20x lebih cepat dari pmdarima .
1,5x lebih cepat dari R .
500x lebih cepat dari Prophet .
4x lebih cepat dari statsmodels .
Dikompilasi ke kode mesin berkinerja tinggi melalui numba .
1.000.000 seri dalam 30 menit dengan sinar.
Ganti FB-Prophet dalam dua baris kode dan dapatkan kecepatan dan akurasi. Periksa eksperimennya di sini.
Pasang 10 model benchmark pada 1.000.000 seri dalam waktu kurang dari 5 menit .

Kehilangan sesuatu? Silakan buka terbitan atau kirimkan surat kepada kami

Contoh dan Panduan

Panduan Ujung ke Ujung: Pelatihan model, evaluasi, dan seleksi untuk beberapa rangkaian waktu

? Deteksi Anomali: mendeteksi anomali untuk deret waktu menggunakan interval prediksi dalam sampel.

?‍? Validasi Silang: evaluasi kinerja model yang kuat.

❄️ Beberapa Musiman: cara memperkirakan data dengan beberapa musiman menggunakan MSTL.

? Memprediksi Puncak Permintaan: perkiraan beban listrik untuk mendeteksi puncak harian dan mengurangi tagihan listrik.

? Permintaan Intermiten: rangkaian perkiraan dengan sangat sedikit observasi bukan nol.

?️ Regresor Eksogen: seperti cuaca atau harga

Model

Peramalan Otomatis

Alat perkiraan otomatis mencari parameter terbaik dan memilih model terbaik untuk sekelompok deret waktu. Alat-alat ini berguna untuk kumpulan besar rangkaian waktu univariat.

Model	Perkiraan Titik	Prakiraan Probabilistik	Contoh nilai yang dipasang	Nilai yang dipasang secara probabilistik	Ciri-ciri eksogen
OtomatisARIMA	✅	✅	✅	✅	✅
AutoETS	✅	✅	✅	✅
AutoCES	✅	✅	✅	✅
AutoTheta	✅	✅	✅	✅
MFLES Otomatis	✅	✅	✅	✅	✅
TBAT Otomatis	✅	✅	✅	✅

Keluarga ARIMA

Model-model ini mengeksploitasi autokorelasi yang ada dalam deret waktu.

Model	Perkiraan Titik	Prakiraan Probabilistik	Contoh nilai yang dipasang	Nilai yang dipasang secara probabilistik	Ciri-ciri eksogen
ARIMA	✅	✅	✅	✅	✅
AutoRegresif	✅	✅	✅	✅	✅

Keluarga Theta

Cocokkan dua garis theta ke deret waktu yang tidak musimnya, menggunakan teknik berbeda untuk mendapatkan dan menggabungkan dua garis theta untuk menghasilkan prakiraan akhir.

Model	Perkiraan Titik	Prakiraan Probabilistik	Contoh nilai yang dipasang	Nilai yang dipasang secara probabilistik
Theta	✅	✅	✅	✅
DioptimalkanTheta	✅	✅	✅	✅
DinamisTheta	✅	✅	✅	✅
DinamisDioptimalkanTheta	✅	✅	✅	✅

Berbagai Musim

Cocok untuk sinyal dengan lebih dari satu musim yang jelas. Berguna untuk data frekuensi rendah seperti listrik dan log.

Model	Perkiraan Titik	Prakiraan Probabilistik	Contoh nilai yang dipasang	Nilai yang dipasang secara probabilistik	Ciri-ciri eksogen
MSTL	✅	✅	✅	✅	Jika peramal tren mendukung
MFLES	✅	✅	✅	✅	✅
TBAT	✅	✅	✅	✅

Model GARCH dan ARCH

Cocok untuk memodelkan deret waktu yang menunjukkan volatilitas tidak konstan dari waktu ke waktu. Model ARCH adalah kasus khusus dari GARCH.

Model	Perkiraan Titik	Prakiraan Probabilistik	Contoh nilai yang dipasang	Nilai-nilai yang dipasang secara probabilistik	Ciri-ciri eksogen
GARCH	✅	✅	✅	✅
LENGKUNGAN	✅	✅	✅	✅

Model Dasar

Model klasik untuk menetapkan baseline.

Model	Perkiraan Titik	Prakiraan Probabilistik	Contoh nilai yang dipasang	Nilai yang dipasang secara probabilistik
Rata-rata Bersejarah	✅	✅	✅	✅
Naif	✅	✅	✅	✅
RandomWalkWithDrift	✅	✅	✅	✅
Naif Musiman	✅	✅	✅	✅
Rata-rata Jendela	✅
Rata-rata Jendela Musiman	✅

Pemulusan Eksponensial

Menggunakan rata-rata tertimbang dari semua observasi masa lalu yang bobotnya menurun secara eksponensial di masa lalu. Cocok untuk data dengan tren dan/atau musiman yang jelas. Gunakan kelompok SimpleExponential untuk data tanpa tren atau musiman yang jelas.

Model	Perkiraan Titik	Prakiraan Probabilistik	Contoh nilai yang dipasang	Nilai yang dipasang secara probabilistik
Penghalusan Eksponensial Sederhana	✅
SimpleExponentialSmoothingDioptimalkan	✅
Penghalusan Eksponensial Musiman	✅
Penghalusan Eksponensial Musiman Dioptimalkan	✅
Suaka	✅	✅	✅	✅
Musim Dingin Holt	✅	✅	✅	✅

Jarang atau Intermiten

Cocok untuk rangkaian dengan sedikit observasi bukan nol

Model	Perkiraan Titik	Contoh nilai yang dipasang	Nilai yang dipasang secara probabilistik
ADIDA	✅	✅	✅
CrostonKlasik	✅	✅	✅
CrostonDioptimalkan	✅	✅	✅
CrostonSBA	✅	✅	✅
IMAPA	✅	✅	✅
tsb	✅	✅	✅

? Bagaimana cara berkontribusi

Lihat KONTRIBUSI.md.

Mengutip

 @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 }
}

Kontributor

Terima kasih kepada orang-orang hebat ini (kunci emoji):

_{biru langit} ?	_{José Morales} ?	_{Sugato Ray}	_{Jeff Tackes} ?	_darinkist ?	_{Alec Helyar}	_{Dave Hirschfeld}
_mergenthaler	_Kerabat	_Yasslight90 ?	_bodoh ?	_{Philip Gillißen}	_{Sebastian Hagn} ?	_{Han Wang}
_{Ben Jeffrey} ?	_Beliavsky	_{Mariana Menchero Garcia}	_{Nikhil Gupta} ?	_JD ?	_{Josh Attenberg}	_{JeroenPeterBos}
_{Jeroen Van Der Donckt}	_Roymprog	_{Nelson Cárdenas Bolaño}	_{Kyle Schmaus}	_{Akmal Soliev}	_{Nick Untuk}	_{Kevin Kho}
_{Yiben Huang}	_{Andrew Kotor}	_taniishkaaa	_{Manuel Calzolari}