statsforecast 下載 - statsforecast 原始碼下載

狀態預測

Python

v2.0.0

下載

尼克斯特拉

統計⚡️預測

利用統計和計量經濟模型進行快速預測

StatsForecast提供了一系列廣泛使用的單變量時間序列預測模型，包括使用numba為高效能優化的自動ARIMA 、 ETS 、 CES和Theta建模。它還包括大量基準模型。

安裝

您可以使用以下指令安裝StatsForecast ：

 pip install statsforecast

或者

 conda install - c conda - forge statsforecast

請造訪我們的安裝指南以取得更多說明。

快速入門

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 ])

開始使用本快速指南。

請遵循此端對端演練以獲得最佳實踐。

為什麼？

目前統計模型的 Python 替代品速度慢、不準確且擴充性不好。因此，我們創建了一個庫，可用於在生產環境中進行預測或作為基準。 StatsForecast包含大量模型，可以有效地擬合數百萬個時間序列。

特徵

在 Python 中最快、最準確地實現AutoARIMA 、 AutoETS 、 AutoCES 、 MSTL和Theta 。
與 Spark、Dask 和 Ray 開箱即用的兼容性。
機率預測和置信區間。
支援外生變數和靜態協變數。
異常檢測。
熟悉的 sklearn 語法： .fit和.predict 。

亮點

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。
透過numba編譯為高效能機器碼。
使用 ray 在 30 分鐘內完成 1,000,000 個系列。
用兩行程式碼取代 FB-Prophet，並提高速度和準確性。檢查這裡的實驗。
在5 分鐘內將 10 個基準模型安裝到1,000,000個系列上。

缺什麼嗎？請提出問題或寫信給我們

範例和指南

端對端演練：多個時間序列的模型訓練、評估與選擇

？異常檢測：使用樣本內預測間隔檢測時間序列的異常。

?‍?交叉驗證：穩健模型的性能評估。

❄️ 多個季節性：如何使用 MSTL 預測具有多個季節性的資料。

？預測需求高峰：電力負載預測，用於檢測每日高峰並減少電費。

？間歇性需求：具有很少非零觀測值的預測序列。

?️ 外生回歸因素：例如天氣或價格

型號

自動預測

自動預測工具搜尋最佳參數並為一組時間序列選擇最佳模型。這些工具對於大量單變量時間序列集合非常有用。

模型	點預測	機率預測	樣本內擬合值	機率擬合值	外生特徵
自動ARIMA	✅	✅	✅	✅	✅
自動排放交易系統	✅	✅	✅	✅
汽車消費電子展	✅	✅	✅	✅
AutoTheta	✅	✅	✅	✅
自動MFLES	✅	✅	✅	✅	✅
自動TBAT	✅	✅	✅	✅

阿里瑪家族

這些模型利用時間序列中現有的自相關性。

模型	點預測	機率預測	樣本內擬合值	機率擬合值	外生特徵
阿里瑪	✅	✅	✅	✅	✅
自回歸	✅	✅	✅	✅	✅

西塔家族

將兩條 θ 線擬合到去季節時間序列中，使用不同的技術來獲取並組合兩條 θ 線以產生最終預測。

模型	點預測	機率預測	樣本內擬合值	機率擬合值
西塔	✅	✅	✅	✅
優化Theta	✅	✅	✅	✅
動態Theta	✅	✅	✅	✅
動態優化Theta	✅	✅	✅	✅

多種季節性

適合具有多個明顯季節性的訊號。對於電力和日誌等低頻資料很有用。

模型	點預測	機率預測	樣本內擬合值	機率擬合值	外生特徵
MSTL	✅	✅	✅	✅	如果趨勢預測器支援
多模光纖勒索	✅	✅	✅	✅	✅
TBAT	✅	✅	✅	✅

GARCH 和 ARCH 模型

適用於對隨時間呈現非恆定波動性的時間序列進行建模。 ARCH 模型是 GARCH 的特殊情況。

模型	點預測	機率預測	樣本內擬合值	機率擬合值	外生特徵
伽瑪奇	✅	✅	✅	✅
拱	✅	✅	✅	✅

基準模型

用於建立基線的經典模型。

模型	點預測	機率預測	樣本內擬合值	機率擬合值
歷史平均值	✅	✅	✅	✅
幼稚的	✅	✅	✅	✅
帶有漂移的隨機遊走	✅	✅	✅	✅
季節性天真的	✅	✅	✅	✅
視窗平均	✅
季節性窗口平均	✅

指數平滑

使用所有過去觀測值的加權平均值，其中權重在過去呈指數下降。適用於具有明確趨勢和/或季節性的資料。對於沒有明顯趨勢或季節性的數據，請使用SimpleExponential系列。

模型	點預測	機率預測	樣本內擬合值	機率擬合值
簡單指數平滑	✅
簡單指數平滑優化	✅
季節性指數平滑	✅
季節性指數平滑優化	✅
霍爾特	✅	✅	✅	✅
霍特·溫特斯	✅	✅	✅	✅

稀疏或間歇

適用於非零觀測值很少的系列

模型	點預測	樣本內擬合值	機率擬合值
阿迪達	✅	✅	✅
克羅斯頓經典	✅	✅	✅
克羅斯頓優化	✅	✅	✅
克羅斯頓小型企業管理局	✅	✅	✅
IMAPA	✅	✅	✅
運輸安全局	✅	✅	✅

？如何貢獻

請參閱 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 }
}

貢獻者

感謝這些優秀的人（表情符號鍵）：

_蔚藍？	_{何塞·莫拉萊斯} ？	_{蘇加托·雷}	_{傑夫·塔克斯} ？	_{達林克主義者} ？	_{亞歷克·赫利亞爾}	_{戴夫·赫希菲爾德}
_默門塔勒	_親屬	_{亞斯萊特90} ？	_阿西尼格？	_{菲利普·吉利森}	_{塞巴斯蒂安·哈格恩} ？	_王涵
_{本·傑弗裡} ？	_{別利亞夫斯基}	_{瑪麗安娜·門切羅·加西亞}	_{尼基爾古普塔} ？	_京東？	_{喬許‧阿滕伯格}	_{傑倫·彼得·博斯}
_{傑倫·范德東克特}	_{羅伊姆普羅格}	_{納爾遜·卡德納斯·博拉尼奧}	_{凱爾·施莫斯}	_{阿克馬爾·索利耶夫}	_杜家強	_凱文科
_黃一本	_{安德魯·格羅斯}	_{塔尼什卡阿}	_{曼努埃爾·卡爾佐拉里}