Скачать statsforecast - Скачать исходный код statsforecast

прогноз штата

Питон

v2.0.0

Скачать

Никстла

Статистический ⚡️ Прогноз

Молниеносное прогнозирование с помощью статистических и эконометрических моделей

StatsForecast предлагает коллекцию широко используемых моделей прогнозирования одномерных временных рядов, включая автоматическое моделирование ARIMA , ETS , CES и Theta , оптимизированное для высокой производительности с использованием numba . Он также включает в себя большой набор моделей для сравнительного анализа.

Установка

Вы можете установить StatsForecast с помощью:

 pip install statsforecast

или

 conda install - c conda - forge statsforecast

Дополнительные инструкции см. в нашем руководстве по установке.

Быстрый старт

Минимальный пример

 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 ])

Начните работу с этим кратким руководством.

Следуйте этому комплексному пошаговому руководству, чтобы ознакомиться с лучшими практиками.

Почему?

Текущие альтернативы Python для статистических моделей медленны, неточны и плохо масштабируются. Поэтому мы создали библиотеку, которую можно использовать для прогнозирования в производственных средах или в качестве эталонов. StatsForecast включает в себя обширный набор моделей, которые могут эффективно соответствовать миллионам временных рядов.

Функции

Самые быстрые и точные реализации AutoARIMA , AutoETS , AutoCES , MSTL и Theta на Python.
Полная совместимость со Spark, Dask и Ray.
Вероятностное прогнозирование и доверительные интервалы.
Поддержка экзогенных переменных и статических ковариат.
Обнаружение аномалий.
Знакомый синтаксис sklearn: .fit и .predict .

Основные моменты

Включение exogenous variables и prediction intervals для ARIMA.
В 20 раз быстрее, чем pmdarima .
В 1,5 раза быстрее, чем R
В 500 раз быстрее, чем Prophet .
В 4 раза быстрее, чем statsmodels .
Скомпилирован в высокопроизводительный машинный код через numba .
1 000 000 серий за 30 минут с лучом.
Замените FB-Prophet в две строки кода и получите скорость и точность. Проверьте эксперименты здесь.
Установите 10 эталонных моделей на 1 000 000 серий менее чем за 5 минут .

Что-то не хватает? Пожалуйста, откройте вопрос или напишите нам в

Примеры и руководства

Комплексное пошаговое руководство: обучение, оценка и выбор модели для нескольких временных рядов

? Обнаружение аномалий: обнаружение аномалий во временных рядах с использованием интервалов прогнозирования в выборке.

?‍? Перекрестная проверка: надежная оценка производительности модели.

❄️ Множественная сезонность: как прогнозировать данные с множественной сезонностью с помощью MSTL.

? Прогнозирование пиков спроса: прогнозирование нагрузки на электроэнергию для выявления ежедневных пиков и снижения счетов за электроэнергию.

? Прерывистый спрос: серия прогнозов с очень небольшим количеством ненулевых наблюдений.

?️ Экзогенные регрессоры: например, погода или цены.

Модели

Автоматическое прогнозирование

Инструменты автоматического прогнозирования ищут наилучшие параметры и выбирают наилучшую возможную модель для группы временных рядов. Эти инструменты полезны для больших коллекций одномерных временных рядов.

Модель	Прогноз очков	Вероятностный прогноз	Пример подобранных значений	Вероятностные подобранные значения	Экзогенные особенности
АвтоАРИМА	✅	✅	✅	✅	✅
АвтоЕТС	✅	✅	✅	✅
АвтоCES	✅	✅	✅	✅
АвтоТета	✅	✅	✅	✅
АвтоМФЛЕС	✅	✅	✅	✅	✅
АвтоТБАТС	✅	✅	✅	✅

Семья АРИМА

Эти модели используют существующие автокорреляции во временных рядах.

Модель	Прогноз очков	Вероятностный прогноз	Пример подобранных значений	Вероятностные подобранные значения	Экзогенные особенности
АРИМА	✅	✅	✅	✅	✅
Авторегрессивный	✅	✅	✅	✅	✅

Семья Тета

Сопоставьте две тета-линии с десезонным временным рядом, используя разные методы для получения и объединения двух тета-линий для получения окончательных прогнозов.

Модель	Прогноз очков	Вероятностный прогноз	Пример подобранных значений	Вероятностные подобранные значения
Тета	✅	✅	✅	✅
ОптимизированныйTheta	✅	✅	✅	✅
ДинамическаяТета	✅	✅	✅	✅
ДинамическийОптимизированныйТета	✅	✅	✅	✅

Множественная сезонность

Подходит для сигналов с более чем одной четкой сезонностью. Полезно для низкочастотных данных, таких как электричество и журналы.

Модель	Прогноз очков	Вероятностный прогноз	Пример подобранных значений	Вероятностные подобранные значения	Экзогенные особенности
МСТЛ	✅	✅	✅	✅	Если прогнозист трендов поддерживает
МФЛЕС	✅	✅	✅	✅	✅
ТБАТС	✅	✅	✅	✅

Модели GARCH и ARCH

Подходит для моделирования временных рядов, которые демонстрируют непостоянную волатильность во времени. Модель ARCH является частным случаем GARCH.

Модель	Прогноз очков	Вероятностный прогноз	Пример подобранных значений	Вероятностные подобранные значения	Экзогенные особенности
ГАРЧ	✅	✅	✅	✅
АРКА	✅	✅	✅	✅

Базовые модели

Классические модели для установления базовой линии.

Модель	Прогноз очков	Вероятностный прогноз	Пример подобранных значений	Вероятностные подобранные значения
ИсторическийСредний	✅	✅	✅	✅
Наивный	✅	✅	✅	✅
Случайная прогулка с дрейфом	✅	✅	✅	✅
СезонныйНаивный	✅	✅	✅	✅
ОкноСреднее	✅
СезонныйОкноСредний	✅

Экспоненциальное сглаживание

Использует средневзвешенное значение всех прошлых наблюдений, где веса экспоненциально уменьшаются в прошлом. Подходит для данных с четкой тенденцией и/или сезонностью. Используйте семейство SimpleExponential для данных без четкой тенденции или сезонности.

Модель	Прогноз очков	Вероятностный прогноз	Пример подобранных значений	Вероятностные подобранные значения
ПростоеЭкспоненциальноеСглаживание	✅
ПростоеЭкспоненциальноеСглаживаниеОптимизированное	✅
СезонныйЭкспоненциальныйСглаживание	✅
СезонныйЭкспоненциальныйСглаживаниеОптимизированный	✅
Холт	✅	✅	✅	✅
ХолтВинтерс	✅	✅	✅	✅

Редкий или прерывистый

Подходит для серий с очень небольшим количеством ненулевых наблюдений.

Модель	Прогноз очков	Пример подобранных значений	Вероятностные подобранные значения
АДИДА	✅	✅	✅
КростонКлассик	✅	✅	✅
CrostonОптимизированный	✅	✅	✅
КростонSBA	✅	✅	✅
ИМАПА	✅	✅	✅
БСЭ	✅	✅	✅

? Как внести свой вклад

См. CONTRIBUTING.md.

Цитирование

 @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 }
}

Авторы

Спасибо этим замечательным людям (ключ смайлика):

_{лазурный} ?	_{Хосе Моралес} ?	_{Сугато Рэй}	_{Джефф Тэкс} ?	_{даринист} ?	_{Алек Хельяр}	_{Дэйв Хиршфельд}
_{мергенталер}	_{Родственник}	_{Ясслайт90} ?	_asinig ?	_{Филип Гилиссен}	_{Себастьян Хагн} ?	_{Хан Ван}
_{Бен Джеффри} ?	_{Белявский}	_{Мариана Менчеро Гарсия}	_{Нихил Гупта} ?	_{Джей Ди} ?	_{Джош Аттенберг}	_{ЙерунПитерБос}
_{Йерун Ван дер Донкт}	_{Роймпрог}	_{Нельсон Карденас Боланьо}	_{Кайл Шмаус}	_{Акмаль Солиев}	_{Ник То}	_{Кевин Хо}
_{Ибен Хуан}	_{Эндрю Гросс}	_{таниишкааа}	_{Мануэль Кальцолари}