statsforecast 下载 - statsforecast 源代码下载

状态预测

Python

v2.0.0

下载

尼克斯特拉

统计⚡️预测

利用统计和计量经济模型进行快速预测

StatsForecast提供了一系列广泛使用的单变量时间序列预测模型，包括使用numba为高性能而优化的自动ARIMA 、 ETS 、 CES和Theta建模。它还包括大量基准模型。

安装

您可以使用以下命令安装StatsForecast ：

 pip install statsforecast

或者

 conda install - c conda - forge statsforecast

请访问我们的安装指南以获取更多说明。

快速入门

最小的例子

 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 ])

开始使用本快速指南。

请遵循此端到端演练以获得最佳实践。

为什么？

当前统计模型的 Python 替代品速度慢、不准确且扩展性不好。因此，我们创建了一个库，可用于在生产环境中进行预测或作为基准。 StatsForecast包含大量模型，可以有效地拟合数百万个时间序列。

特征

在 Python 中最快、最准确地实现AutoARIMA 、 AutoETS 、 AutoCES 、 MSTL和Theta 。
与 Spark、Dask 和 Ray 开箱即用的兼容性。
概率预测和置信区间。
支持外生变量和静态协变量。
异常检测。
熟悉的 sklearn 语法： .fit和.predict 。

亮点

包含 ARIMA 的exogenous variables和prediction intervals 。
比pmdarima快 20 倍。
比R快 1.5 倍。
比Prophet快 500 倍。
比statsmodels快 4 倍。
通过numba编译为高性能机器代码。
使用 ray 在 30 分钟内完成 1,000,000 个系列。
用两行代码替换 FB-Prophet，并提高速度和准确性。检查这里的实验。
在5 分钟内将 10 个基准模型安装到1,000,000个系列上。

缺少什么吗？请提出问题或写信给我们

示例和指南

端到端演练：多个时间序列的模型训练、评估和选择

？异常检测：使用样本内预测间隔检测时间序列的异常。

?‍?交叉验证：稳健模型的性能评估。

❄️ 多个季节性：如何使用 MSTL 预测具有多个季节性的数据。

？预测需求峰值：电力负荷预测，用于检测每日峰值并减少电费。

？间歇性需求：具有很少非零观测值的预测序列。

?️ 外生回归因素：例如天气或价格

型号

自动预测

自动预测工具搜索最佳参数并为一组时间序列选择最佳模型。这些工具对于大量单变量时间序列集合非常有用。

模型	点预测	概率预测	样本内拟合值	概率拟合值	外生特征
自动ARIMA	✅	✅	✅	✅	✅
自动排放交易系统	✅	✅	✅	✅
汽车消费电子展	✅	✅	✅	✅
AutoTheta	✅	✅	✅	✅
自动MFLES	✅	✅	✅	✅	✅
自动TBAT	✅	✅	✅	✅

阿里玛家族

这些模型利用时间序列中现有的自相关性。

模型	点预测	概率预测	样本内拟合值	概率拟合值	外生特征
阿里玛	✅	✅	✅	✅	✅
自回归	✅	✅	✅	✅	✅

西塔家族

将两条 θ 线拟合到去季节时间序列中，使用不同的技术来获取并组合两条 θ 线以生成最终预测。

模型	点预测	概率预测	样本内拟合值	概率拟合值
西塔	✅	✅	✅	✅
优化Theta	✅	✅	✅	✅
动态Theta	✅	✅	✅	✅
动态优化Theta	✅	✅	✅	✅

多种季节性

适合具有多个明显季节性的信号。对于电力和日志等低频数据很有用。

模型	点预测	概率预测	样本内拟合值	概率拟合值	外生特征
MSTL	✅	✅	✅	✅	如果趋势预测器支持
多模光纤勒索	✅	✅	✅	✅	✅
TBAT	✅	✅	✅	✅

GARCH 和 ARCH 模型

适用于对随时间呈现非恒定波动性的时间序列进行建模。 ARCH 模型是 GARCH 的特例。

模型	点预测	概率预测	样本内拟合值	概率拟合值	外生特征
伽马奇	✅	✅	✅	✅
拱	✅	✅	✅	✅

基线模型

用于建立基线的经典模型。

模型	点预测	概率预测	样本内拟合值	概率拟合值
历史平均值	✅	✅	✅	✅
幼稚的	✅	✅	✅	✅
带漂移的随机游走	✅	✅	✅	✅
季节性天真的	✅	✅	✅	✅
窗口平均	✅
季节性窗口平均	✅

指数平滑

使用所有过去观测值的加权平均值，其中权重在过去呈指数下降。适用于具有明确趋势和/或季节性的数据。对于没有明显趋势或季节性的数据，请使用SimpleExponential系列。

模型	点预测	概率预测	样本内拟合值	概率拟合值
简单指数平滑	✅
简单指数平滑优化	✅
季节性指数平滑	✅
季节性指数平滑优化	✅
霍尔特	✅	✅	✅	✅
霍尔特·温特斯	✅	✅	✅	✅

稀疏或间歇

适用于非零观测值很少的系列

模型	点预测	样本内拟合值	概率拟合值
阿迪达	✅	✅	✅
克罗斯顿经典	✅	✅	✅
克罗斯顿优化	✅	✅	✅
克罗斯顿小企业管理局	✅	✅	✅
IMAPA	✅	✅	✅
运输安全局	✅	✅	✅

？如何贡献

请参阅 CONTRIBUTING.md。

引用

 @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 }
}

贡献者

感谢这些优秀的人（表情符号键）：

_蔚蓝？	_{何塞·莫拉莱斯} ？	_{苏加托·雷}	_{杰夫·塔克斯} ？	_{达林克主义者} ？	_{亚历克·赫利亚尔}	_{戴夫·赫希菲尔德}
_默门塔勒	_亲属	_{亚斯莱特90} ？	_阿西尼格？	_{菲利普·吉利森}	_{塞巴斯蒂安·哈格恩} ？	_王涵
_{本·杰弗里} ？	_{别利亚夫斯基}	_{玛丽安娜·门切罗·加西亚}	_{尼基尔·古普塔} ？	_京东？	_{乔什·阿滕伯格}	_{杰伦·彼得·博斯}
_{杰伦·范德东克特}	_{罗伊姆普罗格}	_{纳尔逊·卡德纳斯·博拉尼奥}	_{凯尔·施莫斯}	_{阿克马尔·索利耶夫}	_杜家强	_凯文·科
_黄一本	_{安德鲁·格罗斯}	_{塔尼什卡阿}	_{曼努埃尔·卡尔佐拉里}