Download do statsforecast - download do código-fonte do statsforecast

previsão do estado

Pitão

v2.0.0

Baixar

Nixtla

Estatística ⚡️ Previsão

Previsão extremamente rápida com modelos estatísticos e econométricos

StatsForecast oferece uma coleção de modelos de previsão de séries temporais univariadas amplamente utilizados, incluindo modelagem automática ARIMA , ETS , CES e Theta otimizada para alto desempenho usando numba . Também inclui uma grande bateria de modelos de benchmarking.

Instalação

Você pode instalar StatsForecast com:

 pip install statsforecast

ou

 conda install - c conda - forge statsforecast

Visite nosso Guia de instalação para obter mais instruções.

Início rápido

Exemplo 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 ])

Comece com este guia rápido.

Siga este passo a passo completo para obter as melhores práticas.

Por que?

As alternativas atuais do Python para modelos estatísticos são lentas, imprecisas e não se adaptam bem. Por isso criamos uma biblioteca que pode ser usada para fazer previsões em ambientes de produção ou como benchmarks. StatsForecast inclui uma extensa bateria de modelos que podem ajustar com eficiência milhões de séries temporais.

Características

Implementações mais rápidas e precisas de AutoARIMA , AutoETS , AutoCES , MSTL e Theta em Python.
Compatibilidade imediata com Spark, Dask e Ray.
Previsão Probabilística e Intervalos de Confiança.
Suporte para variáveis exógenas e covariáveis estáticas.
Detecção de anomalias.
Sintaxe familiar do sklearn: .fit e .predict .

Destaques

Inclusão de exogenous variables e prediction intervals para ARIMA.
20x mais rápido que pmdarima .
1,5x mais rápido que R .
500x mais rápido que Prophet .
4x mais rápido que statsmodels .
Compilado para código de máquina de alto desempenho por meio de numba .
1.000.000 de séries em 30 min com raio.
Substitua o FB-Prophet em duas linhas de código e ganhe velocidade e precisão. Confira os experimentos aqui.
Ajuste 10 modelos de referência em séries 1.000.000 em menos de 5 minutos .

Faltando alguma coisa? Por favor, abra um problema ou escreva-nos

Exemplos e guias

Passo a passo de ponta a ponta: treinamento, avaliação e seleção de modelo para várias séries temporais

? Detecção de anomalias: detecte anomalias para séries temporais usando intervalos de previsão na amostra.

?‍? Validação Cruzada: avaliação de desempenho de modelos robustos.

❄️ Múltiplas sazonalidades: como prever dados com múltiplas sazonalidades usando um MSTL.

? Prever picos de demanda: previsão de carga elétrica para detectar picos diários e reduzir contas de energia elétrica.

? Demanda Intermitente: séries de previsão com muito poucas observações diferentes de zero.

?️ Regressores Exógenos: como clima ou preços

Modelos

Previsão Automática

As ferramentas de previsão automática procuram os melhores parâmetros e selecionam o melhor modelo possível para um grupo de séries temporais. Essas ferramentas são úteis para grandes coleções de séries temporais univariadas.

Modelo	Previsão de Ponto	Previsão Probabilística	Valores ajustados na amostra	Valores ajustados probabilísticos	Características exógenas
AutoARIMA	✅	✅	✅	✅	✅
AutoETS	✅	✅	✅	✅
AutoCES	✅	✅	✅	✅
AutoTheta	✅	✅	✅	✅
AutoMFLES	✅	✅	✅	✅	✅
AutoTBATS	✅	✅	✅	✅

Família ARIMA

Esses modelos exploram as autocorrelações existentes nas séries temporais.

Modelo	Previsão de Ponto	Previsão Probabilística	Valores ajustados na amostra	Valores ajustados probabilísticos	Características exógenas
ARIMA	✅	✅	✅	✅	✅
AutoRegressivo	✅	✅	✅	✅	✅

Família Teta

Ajustar duas linhas teta a uma série temporal dessazonalizada, utilizando diferentes técnicas para obter e combinar as duas linhas teta para produzir as previsões finais.

Modelo	Previsão de Ponto	Previsão Probabilística	Valores ajustados na amostra	Valores ajustados probabilísticos
Teta	✅	✅	✅	✅
Theta Otimizado	✅	✅	✅	✅
DinâmicoTheta	✅	✅	✅	✅
DinâmicoOptimizadoTheta	✅	✅	✅	✅

Múltiplas Sazonalidades

Adequado para sinais com mais de uma sazonalidade clara. Útil para dados de baixa frequência, como eletricidade e registros.

Modelo	Previsão de Ponto	Previsão Probabilística	Valores ajustados na amostra	Valores ajustados probabilísticos	Características exógenas
MSTL	✅	✅	✅	✅	Se a previsão de tendências suportar
MFLES	✅	✅	✅	✅	✅
TBATS	✅	✅	✅	✅

Modelos GARCH e ARCH

Adequado para modelar séries temporais que apresentam volatilidade não constante ao longo do tempo. O modelo ARCH é um caso particular do GARCH.

Modelo	Previsão de Ponto	Previsão Probabilística	Valores ajustados na amostra	Valores ajustados probabilísticos	Características exógenas
GARCH	✅	✅	✅	✅
ARCO	✅	✅	✅	✅

Modelos de linha de base

Modelos clássicos para estabelecimento de linha de base.

Modelo	Previsão de Ponto	Previsão Probabilística	Valores ajustados na amostra	Valores ajustados probabilísticos
Média Histórica	✅	✅	✅	✅
Ingênuo	✅	✅	✅	✅
RandomWalkWithDrift	✅	✅	✅	✅
SazonalNaive	✅	✅	✅	✅
Janela Média	✅
Janela SazonalMédia	✅

Suavização Exponencial

Usa uma média ponderada de todas as observações passadas, onde os pesos diminuem exponencialmente no passado. Adequado para dados com tendência e/ou sazonalidade claras. Use a família SimpleExponential para dados sem tendência ou sazonalidade clara.

Modelo	Previsão de Ponto	Previsão Probabilística	Valores ajustados na amostra	Valores ajustados probabilísticos
Suavização Exponencial Simples	✅
SimpleExponentialSmoothingOptimizado	✅
Suavização Exponencial Sazonal	✅
SazonalExponentialSuavizaçãoOtimizado	✅
Holt	✅	✅	✅	✅
Holt Invernos	✅	✅	✅	✅

Esparso ou intermitente

Adequado para séries com muito poucas observações diferentes de zero

Modelo	Previsão de Ponto	Valores ajustados na amostra	Valores ajustados probabilísticos
ADIDA	✅	✅	✅
Croston Clássico	✅	✅	✅
CrostonOtimizado	✅	✅	✅
Croston SBA	✅	✅	✅
IMAPA	✅	✅	✅
TSB	✅	✅	✅

? Como contribuir

Consulte CONTRIBUTING.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

Os agradecimentos vão para essas pessoas maravilhosas (chave emoji):

_azul ?	_{Jose Morales} ?	_{Sugato Ray}	_{Jeff Taques} ?	_darinkista ?	_{Alec Helyar}	_{David Hirschfeld}
_Mergenthaler	_Parente	_Yasslight90 ?	_asinig ?	_{Philip Gillißen}	_{Sebastian Hagn} ?	_{Han Wang}
_{Ben Jeffrey} ?	_Beliavsky	_{Mariana Menchero Garcia}	_{Nikhil Gupta} ?	_JD ?	_{Josh Atenberg}	_{Jeroen Peter Bos}
_{Jeroen Van Der Donckt}	_Roymprog	_{Nelson Cárdenas Bolaño}	_{Kyle Schmaus}	_{Akmal Soliev}	_{Nick para}	_{Kevin Kho}
_{Yiben Huang}	_{André Gross}	_taniishkaa	_{Manuel Calzolari}