StatsForecast ⚡️

StatsForecast 提供了一系列流行的单变量时间序列预测模型，这些模型经过优化可实现高性能和可扩展性。

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。

快速开始

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 = 'M'
)

sf.fit(df)
sf.predict(h=12, level=[95])

通过这个 快速指南 开始。

请遵循这个 端到端的教程 来获取最佳实践。

为什么？

当前用于统计模型的Python替代品速度慢、准确性差且扩展性差。因此，我们创建了一个可以在生产环境中使用或作为基准的库。 StatsForecast包括一整套可以高效拟合数百万个时间序列的模型。

特性

  • Python中AutoARIMA、AutoETS、AutoCES、MSTL和Theta的最快和最精确的实现。
  • 开箱即用兼容Spark、Dask和Ray。
  • 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

  • 包括 外生变量 和 预测区间 的 ARIMA。
  • 比 pmdarima 快 20 倍 查看。
  • 比 R 快 1.5 倍。
  • 比 Prophet 快 500 倍。
  • 比 statsmodels 快 4 倍 查看。
  • 通过 numba 编译为高性能机器代码。
  • 在 30 分钟 内使用 ray 处理 1,000,000 个序列。
  • 用两行代码替换 FB-Prophet，提升速度和准确性。实验请 查看这里。
  • 在 5 分钟内 处理 1,000,000 个序列 进行 10 个基准模型拟合。

有缺失的内容吗？请提出问题或在 Slack 写信给我们。

示例与指南

📚 端到端流程：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：稳健模型的性能评估。

❄️ 多重季节性：如何使用MSTL对具有多重季节性的数据进行预测。

🔌 预测需求峰值：电力负荷预测以检测每日峰值并降低电费。

📈 间歇性需求：预测观察值非常少的序列。

🌡️ 外生回归变量：如天气或价格

模型

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非常有用。

模型 点预测 概率预测 样本拟合值 概率拟合值 外生特征
AutoARIMA ✅ ✅ ✅ ✅ ✅
AutoETS ✅ ✅ ✅ ✅
AutoCES ✅ ✅ ✅ ✅
AutoTheta ✅ ✅ ✅ ✅

ARIMA 家族

这些模型利用时间序列中存在的自相关。

模型 点预测 概率预测 样本拟合值 概率拟合值 外生特征
ARIMA ✅ ✅ ✅ ✅ ✅
自回归 ✅ ✅ ✅ ✅ ✅

Theta 家族

为去季节化的时间序列拟合两条 theta 线，使用不同的技术获得并结合这两条 theta 线以生成最终预测。

模型 点预测 概率预测 样本拟合值 概率拟合值 外生特征
Theta ✅ ✅ ✅ ✅
优化 Theta ✅ ✅ ✅ ✅
动态 Theta ✅ ✅ ✅ ✅
动态优化 Theta ✅ ✅ ✅ ✅

多重季节性

适合具有多个明显季节性的信号。对于像电力和日志这样的低频数据非常有用。

模型 点预测 概率预测 样本拟合值 概率拟合值 外生特征
MSTL ✅ ✅ ✅ ✅ 如果趋势预测器支持

GARCH 和 ARCH 模型

适合建模随时间变化的非恒定波动的时间序列。ARCH 模型是 GARCH 的一个特例。

模型 点预测 概率预测 样本拟合值 概率拟合值 外生特征
GARCH ✅ ✅ ✅ ✅
ARCH ✅ ✅ ✅ ✅

基准模型

用于建立基准的经典模型。

模型 点预测 概率预测 样本拟合值 概率拟合值 外生特征
历史平均 ✅ ✅ ✅ ✅
天真预测 ✅ ✅ ✅ ✅
带漂移的随机游走 ✅ ✅ ✅ ✅
季节性天真预测 ✅ ✅ ✅ ✅
窗口平均 ✅
季节性窗口平均 ✅

指数平滑

使用所有过去观察值的加权平均，其中权重随时间指数下降。适合具有明显趋势和/或季节性的数据。对于没有明显趋势或季节性的数据，使用 SimpleExponential 家族。

模型 点预测 概率预测 样本拟合值 概率拟合值 外生特征
简单指数平滑 ✅
优化简单指数平滑 ✅
季节性指数平滑 ✅
优化季节性指数平滑 ✅
霍尔特 ✅ ✅ ✅ ✅
霍尔特-温特斯 ✅ ✅ ✅ ✅

稀疏或间歇性

适合仅有极少非零观察值的序列。

模型 点预测 概率预测 样本拟合值 概率拟合值 外生特征
ADIDA ✅ ✅ ✅
Croston 经典 ✅ ✅ ✅
Croston 优化 ✅ ✅ ✅
Croston SBA ✅ ✅ ✅
IMAPA ✅ ✅ ✅
TSB ✅ ✅ ✅

如何贡献

请参见 CONTRIBUTING.md。

引用

@misc{garza2022statsforecast,
    author={Federico Garza, Max Mergenthaler Canseco, Cristian Challú, Kin G. Olivares},
    title = {{StatsForecast}: 极速的统计与经济计量模型预测},
    year={2022},
    howpublished={{PyCon} 盐湖城, 犹他州, 美国 2022},
    url={https://github.com/Nixtla/statsforecast}
}

Give us a ⭐ on Github