StatsForecast ⚡️

​

安装

您可以使用以下命令安装 StatsForecast

pip install statsforecast

或

conda install -c conda-forge statsforecast

访问我们的安装指南以获取更多说明。

​

快速入门

最小示例

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])

通过这份快速指南开始使用。

遵循这份端到端演练以获取最佳实践。

​

为什么？

目前 Python 中统计模型的替代方案速度慢、准确性差且扩展性不好。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，可以高效地拟合数百万个时间序列。

​

特性

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

​

亮点

• 在 ARIMA 中包含了外部变量和预测区间。
• 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 分钟内处理 1,000,000 个序列。
• 只需两行代码即可替换 FB-Prophet，并提高速度和准确性。请在此处查看实验结果。
• 在不到 5 分钟内，在 1,000,000 个序列上拟合 10 个基准模型。

遗漏了什么？请提出问题或在 Slack 联系我们。

​

示例和指南

📚 端到端演练：多时间序列的模型训练、评估和选择

🔎 异常检测：使用样本内预测区间检测时间序列中的异常。

👩‍🔬 交叉验证：稳健的模型性能评估。

❄️ 多重季节性：如何使用 MSTL 预测具有多重季节性的数据。

🔌 预测需求高峰：电力负荷预测，用于检测每日高峰并降低电费。

📈 间歇性需求：预测非零观测值很少的序列。

🌡️ 外部回归变量：例如天气或价格

​

模型

​

自动预测

自动预测工具会搜索最佳参数，并为一组时间序列选择最佳模型。这些工具对于处理大量单变量时间序列非常有用。

​

ARIMA 系列

这些模型利用时间序列中存在的自相关性。

​

Theta 系列

将两条 theta 线拟合到去季节化的时间序列，使用不同的技术获取并组合这两条 theta 线以产生最终预测。

​

多重季节性

适用于具有多个明显季节性的信号。对于电力和日志等低频数据非常有用。

​

GARCH 和 ARCH 模型

适用于对随时间变化表现出非恒定波动性的时间序列进行建模。ARCH 模型是 GARCH 的特例。

​

基线模型

用于建立基线的经典模型。

​

指数平滑

使用所有过去观测值的加权平均值，其中权重随时间指数衰减。适用于具有明显趋势和/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。

​

稀疏或间歇性

适用于非零观测值非常少的序列

​

机器学习

利用外部特征。

​

如何贡献

请参阅 CONTRIBUTING.md。

​

引用

@misc{garza2022statsforecast,
    author={Federico 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}
}