การคาดการณ์ของรัฐ

นิกซ์ตลา

สถิติ⚡️พยากรณ์

การคาดการณ์ที่รวดเร็วปานสายฟ้าด้วยแบบจำลองทางสถิติและเศรษฐมิติ

StatsForecast นำเสนอคอลเลกชันของแบบจำลองการคาดการณ์อนุกรมเวลาแบบ univariate ที่ใช้กันอย่างแพร่หลาย รวมถึงการสร้างแบบจำลอง ARIMA , ETS , CES และ Theta อัตโนมัติที่ปรับให้เหมาะสมเพื่อประสิทธิภาพสูงโดยใช้ numba นอกจากนี้ยังมีแบตเตอรี่ขนาดใหญ่สำหรับรุ่นเปรียบเทียบอีกด้วย

การติดตั้ง

คุณสามารถติดตั้ง StatsForecast ด้วย:

 pip install statsforecast

หรือ

 conda install - c conda - forge statsforecast

ดูคู่มือการติดตั้งของเราเพื่อดูคำแนะนำเพิ่มเติม

เริ่มต้นอย่างรวดเร็ว

ตัวอย่างขั้นต่ำ

 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 ])

เริ่มต้นด้วยคำแนะนำฉบับย่อนี้

ปฏิบัติตามคำแนะนำแบบครบวงจรนี้เพื่อดูแนวทางปฏิบัติที่ดีที่สุด

ทำไม

ทางเลือก Python ในปัจจุบันสำหรับแบบจำลองทางสถิตินั้นช้า ไม่ถูกต้อง และปรับขนาดได้ไม่ดีนัก ดังนั้นเราจึงสร้างไลบรารีที่สามารถใช้เพื่อคาดการณ์ในสภาพแวดล้อมการผลิตหรือเป็นเกณฑ์มาตรฐานได้ StatsForecast มีแบตเตอรี่รุ่นต่างๆ มากมายที่สามารถรองรับอนุกรมเวลานับล้านได้อย่างมีประสิทธิภาพ

คุณสมบัติ

• การใช้งานที่เร็วและแม่นยำที่สุดของ AutoARIMA , AutoETS , AutoCES , MSTL และ Theta ใน Python
• ความเข้ากันได้นอกกรอบกับ Spark, Dask และ Ray
• การพยากรณ์ความน่าจะเป็นและช่วงความเชื่อมั่น
• รองรับตัวแปรภายนอกและตัวแปรร่วมแบบคงที่
• การตรวจจับความผิดปกติ
• ไวยากรณ์ sklearn ที่คุ้นเคย: .fit และ .predict

ไฮไลท์

• การรวม exogenous variables และ prediction intervals สำหรับ ARIMA
• เร็วกว่า pmdarima 20 เท่า
• เร็วกว่า R 1.5 เท่า
• เร็วกว่า Prophet 500 เท่า
• เร็วกว่า statsmodels ถึง 4 เท่า
• คอมไพล์เป็นโค้ดเครื่องประสิทธิภาพสูงผ่าน numba
• 1,000,000 ซีรีส์ใน 30 นาทีพร้อมรังสี
• แทนที่ FB-Prophet ด้วยโค้ดสองบรรทัดและรับความเร็วและความแม่นยำ ตรวจสอบการทดลองได้ที่นี่
• ติดตั้งโมเดลเกณฑ์มาตรฐาน 10 รุ่นบนซีรีส์ 1,000,000 รายการในเวลาไม่ถึง 5 นาที

ขาดอะไรบางอย่างใช่ไหม? กรุณาเปิดปัญหาหรือเขียนถึงเราใน

ตัวอย่างและคำแนะนำ

บทสรุปตั้งแต่ต้นจนจบ: การฝึกจำลอง การประเมิน และการเลือกสำหรับอนุกรมเวลาหลายชุด

- การตรวจจับความผิดปกติ: ตรวจจับความผิดปกติสำหรับอนุกรมเวลาโดยใช้ช่วงเวลาการคาดการณ์ในตัวอย่าง

?? การตรวจสอบข้าม: การประเมินประสิทธิภาพของแบบจำลองที่แข็งแกร่ง

❄️ หลายฤดูกาล: วิธีคาดการณ์ข้อมูลที่มีหลายฤดูกาลโดยใช้ MSTL

- คาดการณ์ความต้องการไฟฟ้าสูงสุด: การคาดการณ์ปริมาณไฟฟ้าสำหรับการตรวจจับความต้องการไฟฟ้าสูงสุดรายวันและลดค่าไฟฟ้า

- ความต้องการไม่ต่อเนื่อง: อนุกรมการคาดการณ์ที่มีการสังเกตที่ไม่เป็นศูนย์น้อยมาก

️ ตัวถดถอยจากภายนอก: เช่น สภาพอากาศหรือราคา

โมเดล

การพยากรณ์อัตโนมัติ

เครื่องมือพยากรณ์อัตโนมัติค้นหาพารามิเตอร์ที่ดีที่สุดและเลือกแบบจำลองที่ดีที่สุดสำหรับกลุ่มอนุกรมเวลา เครื่องมือเหล่านี้มีประโยชน์สำหรับคอลเลกชันอนุกรมเวลาที่ไม่แปรผันจำนวนมาก

แบบอย่าง	พยากรณ์จุด	การพยากรณ์ความน่าจะเป็น	ตัวอย่างค่าที่ติดตั้ง	ค่าที่พอดีความน่าจะเป็น	คุณสมบัติภายนอก
ออโต้อาริมา
AutoETS
ออโต้ซีอีเอส
ออโต้เธต้า
อัตโนมัติ
ยกเลิกอัตโนมัติ

ครอบครัวอาริมะ

โมเดลเหล่านี้ใช้ประโยชน์จากความสัมพันธ์อัตโนมัติที่มีอยู่ในอนุกรมเวลา

แบบอย่าง	พยากรณ์จุด	การพยากรณ์ความน่าจะเป็น	ตัวอย่างค่าที่ติดตั้ง	ค่าที่พอดีความน่าจะเป็น	คุณสมบัติภายนอก
อาริมา
ถอยหลังอัตโนมัติ

ครอบครัวเทต้า

ติดตั้งเส้นทีต้าสองเส้นเข้ากับอนุกรมเวลาแบบไม่มีฤดูกาล โดยใช้เทคนิคที่แตกต่างกันเพื่อให้ได้และรวมเส้นทีต้าทั้งสองเพื่อสร้างการคาดการณ์ขั้นสุดท้าย

แบบอย่าง	พยากรณ์จุด	การพยากรณ์ความน่าจะเป็น	ตัวอย่างค่าที่ติดตั้ง	ค่าที่พอดีความน่าจะเป็น	คุณสมบัติภายนอก
ทีต้า
เพิ่มประสิทธิภาพ Theta
ไดนามิกทีต้า
DynamicOptimizedTheta

หลายฤดูกาล

เหมาะสำหรับสัญญาณที่มีฤดูกาลที่ชัดเจนมากกว่าหนึ่งรายการ มีประโยชน์สำหรับข้อมูลความถี่ต่ำ เช่น ไฟฟ้าและบันทึก

แบบอย่าง	พยากรณ์จุด	การพยากรณ์ความน่าจะเป็น	ตัวอย่างค่าที่ติดตั้ง	ค่าที่พอดีความน่าจะเป็น	คุณสมบัติภายนอก
เอ็มเอสทีแอล					หากนักพยากรณ์แนวโน้มรองรับ
เอ็มเอฟแอลเอส
จะแจ้งภายหลัง

โมเดล GARCH และ ARCH

เหมาะสำหรับการสร้างแบบจำลองอนุกรมเวลาที่แสดงความผันผวนไม่คงที่เมื่อเวลาผ่านไป โมเดล ARCH เป็นกรณีเฉพาะของ GARCH

แบบอย่าง	พยากรณ์จุด	การพยากรณ์ความน่าจะเป็น	ตัวอย่างค่าที่ติดตั้ง	ค่าที่พอดีความน่าจะเป็น	คุณสมบัติภายนอก
การ์ช
โค้ง

โมเดลพื้นฐาน

โมเดลคลาสสิกสำหรับการสร้างพื้นฐาน

แบบอย่าง	พยากรณ์จุด	การพยากรณ์ความน่าจะเป็น	ตัวอย่างค่าที่ติดตั้ง	ค่าที่พอดีความน่าจะเป็น	คุณสมบัติภายนอก
ประวัติศาสตร์เฉลี่ย
ไร้เดียงสา
สุ่มเดินด้วยดริฟท์
ตามฤดูกาลไร้เดียงสา
WindowAverage
หน้าต่างตามฤดูกาลเฉลี่ย

การปรับให้เรียบแบบเอกซ์โปเนนเชียล

ใช้ค่าเฉลี่ยถ่วงน้ำหนักของการสังเกตในอดีตทั้งหมด โดยที่น้ำหนักลดลงแบบทวีคูณจนถึงอดีต เหมาะสำหรับข้อมูลที่มีแนวโน้มและ/หรือฤดูกาลที่ชัดเจน ใช้กลุ่ม SimpleExponential สำหรับข้อมูลที่ไม่มีแนวโน้มหรือฤดูกาลที่ชัดเจน

แบบอย่าง	พยากรณ์จุด	การพยากรณ์ความน่าจะเป็น	ตัวอย่างค่าที่ติดตั้ง	ค่าที่พอดีความน่าจะเป็น	คุณสมบัติภายนอก
เรียบง่ายแบบเอ็กซ์โปเนนเชียล
เพิ่มประสิทธิภาพการปรับให้เรียบแบบเอ็กซ์โพเนนเชียลอย่างง่าย
การปรับให้เรียบแบบเอ็กซ์โปเนนเชียลตามฤดูกาล
เพิ่มประสิทธิภาพการปรับให้เรียบแบบเอ็กซ์โปเนนเชียลตามฤดูกาล
โฮลท์
โฮลท์วินเทอร์ส

เบาบางหรือไม่ต่อเนื่อง

เหมาะสำหรับซีรีส์ที่มีการสังเกตที่ไม่เป็นศูนย์น้อยมาก

แบบอย่าง	พยากรณ์จุด	การพยากรณ์ความน่าจะเป็น	ตัวอย่างค่าที่ติดตั้ง	ค่าที่พอดีความน่าจะเป็น	คุณสมบัติภายนอก
อดิดา
ครอสตันคลาสสิก
Crostonเพิ่มประสิทธิภาพ
ครอสตันSBA
อิมาปา
ทีเอสบี

- วิธีการมีส่วนร่วม

ดูการมีส่วนร่วม.md

การอ้างอิง

 @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 }
}

ผู้ร่วมให้ข้อมูล

ขอขอบคุณผู้คนที่แสนวิเศษเหล่านี้ (คีย์อีโมจิ):

อาซูล -	โฮเซ่ โมราเลส -	ซูกาโตะ เรย์	เจฟฟ์ แทคส์ -	คนใจร้าย -	อเล็ค เฮลยาร์	เดฟ เฮิร์ชเฟลด์
ผู้ควบรวมกิจการ	ญาติ	ยาสไลท์90 -	อาสินิก -	ฟิลิป กิลลิเซ่น	เซบาสเตียน ฮากน์ -	ฮั่นหวาง
เบน เจฟฟรีย์ -	เบเลียฟสกี้	มาเรียนา เมนเชโร การ์เซีย	นิคิล กุปตะ -	เจดี -	จอช แอตเทนเบิร์ก	เจโรนปีเตอร์บอส
เจโรน ฟาน เดอร์ ดอนค์	รอยมโปรก	เนลสัน คาร์เดนาส โบลาโน	ไคล์ ชเมาส์	อัคมาล โซลิเยฟ	นิค โต	เควิน โค
อี้เปิน ฮวง	แอนดรูว์ กรอส	ทานิชกา	มานูเอล คัลโซลารี

โครงการนี้เป็นไปตามข้อกำหนดของผู้มีส่วนร่วมทั้งหมด ยินดีต้อนรับการบริจาคใด ๆ !