statsforecast 다운로드 - statsforecast 소스 코드 다운로드

주 예측

파이썬

v2.0.0

다운로드

닉스틀라

통계 ⚡️ 예측

통계 및 계량경제 모델을 사용한 매우 빠른 예측

StatsForecast는 numba 사용하여 고성능에 최적화된 자동 ARIMA , ETS , CES 및 Theta 모델링을 포함하여 널리 사용되는 일변량 시계열 예측 모델 모음을 제공합니다. 또한 벤치마킹 모델의 대용량 배터리도 포함되어 있습니다.

설치

다음을 사용하여 StatsForecast 설치할 수 있습니다.

 pip install statsforecast

또는

 conda install - c conda - forge statsforecast

자세한 지침은 설치 가이드를 참조하세요.

빠른 시작

최소한의 예

 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 ])

이 빠른 가이드로 시작해보세요.

모범 사례를 보려면 이 엔드투엔드 연습을 따르세요.

왜?

통계 모델에 대한 현재 Python 대안은 느리고 부정확하며 확장성이 좋지 않습니다. 그래서 우리는 생산 환경에서 예측하거나 벤치마크로 사용할 수 있는 라이브러리를 만들었습니다. StatsForecast 에는 수백만 개의 시계열을 효율적으로 맞출 수 있는 광범위한 모델 배터리가 포함되어 있습니다.

특징

AutoARIMA , AutoETS , AutoCES , MSTL 및 Theta 를 Python에서 가장 빠르고 정확하게 구현합니다.
Spark, Dask 및 Ray와 즉시 호환됩니다.
확률적 예측 및 신뢰구간.
외생 변수 및 정적 공변량을 지원합니다.
이상 탐지.
익숙한 sklearn 구문: .fit 및 .predict .

하이라이트

ARIMA에 대한 exogenous variables 및 prediction intervals 포함.
pmdarima 보다 20배 빠릅니다.
R 보다 1.5배 빠릅니다.
Prophet 보다 500배 빠릅니다.
statsmodels 보다 4배 빠릅니다.
numba 통해 고성능 기계어 코드로 컴파일됩니다.
Ray를 사용하면 30분 안에 1,000,000개의 시리즈를 처리할 수 있습니다.
두 줄의 코드로 FB-Prophet을 교체하고 속도와 정확성을 얻으세요. 여기에서 실험을 확인하세요.
5분 이내에 1,000,000개의 시리즈에 10개의 벤치마크 모델을 맞추세요.

뭔가 빠졌나요? 이슈를 열거나 이메일을 보내주세요.

예시 및 가이드

엔드투엔드 연습: 여러 시계열에 대한 모델 학습, 평가 및 선택

? 이상 탐지: 표본 내 예측 구간을 사용하여 시계열에 대한 이상을 탐지합니다.

?‍? 교차 검증: 강력한 모델의 성능 평가.

❄️ 다중 계절성: MSTL을 사용하여 다중 계절성이 있는 데이터를 예측하는 방법.

? 수요 피크 예측: 일일 피크를 감지하고 전기 요금을 줄이기 위한 전기 부하 예측입니다.

? 간헐적 수요: 0이 아닌 관측치가 거의 없는 예측 계열입니다.

?️ 외생 회귀자: 날씨나 가격 등

모델

자동 예측

자동 예측 도구는 최상의 매개변수를 검색하고 시계열 그룹에 대해 가능한 최상의 모델을 선택합니다. 이러한 도구는 일변량 시계열의 대규모 컬렉션에 유용합니다.

모델	포인트 예측	확률적 예측	적합치 표본 추출	확률적 적합치	외인성 특징
자동ARIMA	✅	✅	✅	✅	✅
자동ETS	✅	✅	✅	✅
오토CES	✅	✅	✅	✅
오토세타	✅	✅	✅	✅
자동MFLES	✅	✅	✅	✅	✅
자동TBATS	✅	✅	✅	✅

아리마 패밀리

이러한 모델은 시계열의 기존 자기상관을 활용합니다.

모델	포인트 예측	확률적 예측	적합치 표본 추출	확률적 적합치	외인성 특징
아리마	✅	✅	✅	✅	✅
자동회귀	✅	✅	✅	✅	✅

세타 제품군

두 개의 세타선을 얻고 결합하여 최종 예측값을 생성하는 다양한 기술을 사용하여 두 개의 세타선을 비계절화된 시계열에 맞춥니다.

모델	포인트 예측	확률적 예측	적합치 표본 추출	확률적 적합치
세타	✅	✅	✅	✅
최적화된Theta	✅	✅	✅	✅
다이나믹세타	✅	✅	✅	✅
DynamicOptimizedTheta	✅	✅	✅	✅

다양한 계절성

둘 이상의 명확한 계절성이 있는 신호에 적합합니다. 전기 및 로그와 같은 저주파 데이터에 유용합니다.

모델	포인트 예측	확률적 예측	적합치 표본 추출	확률적 적합치	외인성 특징
MSTL	✅	✅	✅	✅	추세 예측자가 지원하는 경우
MFLES	✅	✅	✅	✅	✅
TBATS	✅	✅	✅	✅

GARCH 및 ARCH 모델

시간이 지남에 따라 일정하지 않은 변동성을 나타내는 시계열 모델링에 적합합니다. ARCH 모델은 GARCH의 특별한 경우입니다.

모델	포인트 예측	확률적 예측	적합치 표본 추출	확률적 적합치	외인성 특징
가르흐	✅	✅	✅	✅
아치	✅	✅	✅	✅

기준 모델

기준선 설정을 위한 고전적 모델.

모델	포인트 예측	확률적 예측	적합치 표본 추출	확률적 적합치
역사적 평균	✅	✅	✅	✅
순진한	✅	✅	✅	✅
무작위걷기드리프트	✅	✅	✅	✅
계절순진한	✅	✅	✅	✅
창평균	✅
계절별 기간 평균	✅

지수평활

과거로 갈수록 가중치가 기하급수적으로 감소하는 모든 과거 관측치의 가중 평균을 사용합니다. 추세 및/또는 계절성이 명확한 데이터에 적합합니다. 명확한 추세나 계절성이 없는 데이터에는 SimpleExponential 계열을 사용하세요.

모델	포인트 예측	확률적 예측	적합치 표본 추출	확률적 적합치
단순지수평활화	✅
단순지수평활화최적화됨	✅
계절지수평활	✅
계절 지수 평활화최적화됨	✅
잡목 숲	✅	✅	✅	✅
홀트윈터스	✅	✅	✅	✅

드물거나 간헐적

0이 아닌 관측치가 거의 없는 계열에 적합합니다.

모델	포인트 예측	적합치 표본 추출	확률적 적합치
아디다	✅	✅	✅
크로스톤클래식	✅	✅	✅
Croston최적화됨	✅	✅	✅
크로스턴SBA	✅	✅	✅
IMAPA	✅	✅	✅
TSB	✅	✅	✅

? 기여하는 방법

CONTRIBUTING.md를 참조하세요.

인용

 @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 }
}

기여자

멋진 분들에게 감사드립니다(이모지 키):

_아줄 ?	_{호세 모랄레스} ?	_{스가토 레이}	_{제프 택스} ?	_{다르린주의자} ?	_{알렉 헬리아르}	_{데이브 허쉬펠드}
_{메르겐탈러}	_혈연	_{야스라이트90} ?	_아시니그 ?	_{필립 길리센}	_{세바스찬 해그네} ?	_왕한
_{벤 제프리} ?	_{벨리아브스키}	_{마리아나 멘체로 가르시아}	_{니킬 굽타} ?	_JD ?	_{조쉬 아텐버그}	_{제로엔피터보스}
_{Jeroen Van Der Donckt}	_{로임프로그}	_{넬슨 카르데나스 볼라뇨}	_{카일 슈마우스}	_{아크말 솔리예프}	_{닉 투}	_{케빈 코}
_{황 이벤}	_{앤드류 그로스}	_{타니쉬카아}	_{마누엘 칼졸라리}