快速开始

StatsForecast 遵循 sklearn 模型 API。对于这个最小示例，您将创建 StatsForecast 类的一个实例，然后调用它的 fit 和 predict 方法。如果您对速度要求不是特别高，并且想探索拟合值和参数，我们推荐此选项。

提示

如果您想预测多个序列，我们建议使用 forecast 方法。请查看这篇多时间序列入门指南。

StatsForecast 的输入始终是采用长格式的数据帧，包含三列：unique_id、ds 和 y

• unique_id（字符串、整数或类别）表示序列的标识符。

• ds（日期戳）列应采用 Pandas 期望的格式，日期格式最好为 YYYY-MM-DD，时间戳格式最好为 YYYY-MM-DD HH:MM:SS。

• y（数值）表示我们希望预测的度量值。

作为一个例子，我们来看看 US Air Passengers 数据集。该时间序列包含 1949 年至 1960 年美国航空公司乘客的月总数。CSV 文件可从此处获取。

我们假设您已经安装了 StatsForecast。请查看这篇指南，了解如何安装 StatsForecast的说明。

首先，我们将导入数据

# uncomment the following line to install the library
# %pip install statsforecast

import pandas as pd

df = pd.read_csv('https://datasets-nixtla.s3.amazonaws.com/air-passengers.csv', parse_dates=['ds'])
df.head()

我们通过实例化一个新的StatsForecast 对象来拟合模型，该对象需要两个参数：https://nixtla.github.io/statsforecast/src/core/models.html * models：模型列表。从模型中选择您想要使用的模型并导入它们。本例中，我们将使用AutoARIMA 模型。我们将 season_length 设置为 12，因为我们预期每 12 个月出现一次季节性效应。（参见：季节周期）

• freq：表示数据频率的字符串。（参见pandas 可用频率别名。）

任何设置都会传递给构造函数。然后您调用其 fit 方法并传入历史数据帧。

注意

StatsForecast 通过 Numba 使用 JIT 编译实现了惊人的速度。首次调用 statsforecast 类时，fit 方法可能需要大约 5 秒。第二次调用（Numba 编译设置后）应该不到 0.2 秒。

from statsforecast import StatsForecast
from statsforecast.models import AutoARIMA

sf = StatsForecast(
    models=[AutoARIMA(season_length = 12)],
    freq='MS',
)
sf.fit(df)

StatsForecast(models=[AutoARIMA])

predict 方法接受两个参数：预测未来 h 步（horizon）和 level。

• h (int)：表示预测未来 h 步。在本例中，即提前 12 个月。

• level（浮点数列表）：此可选参数用于概率预测。设置预测区间的 level（或置信百分位）。例如，level=[90] 意味着模型预期真实值有 90% 的时间落在此区间内。

这里的 forecast 对象是一个新的数据帧，包含一列模型名称和 y hat 值，以及不确定性区间的列。

forecast_df = sf.predict(h=12, level=[90])
forecast_df.tail()

您可以通过调用 StatsForecast.plot 方法并传入您的 forecast 数据帧来绘制预测结果。

sf.plot(df, forecast_df, level=[90])

后续步骤

• 按照端到端演练中的最佳实践构建端到端预测流水线
• 使用 Spark 和 Nixtla 在云端可扩展集群中预测数百万个序列
• 在您的历史观测数据中检测异常