python机器学习darts时间序列预测和分析
作者：程序员小寒
python库darts
今天给大家分享一个神奇的 python 库，darts
https://github.com/unit8co/darts
darts 是一个用于时间序列预测和分析的 Python 库。它支持多种时间序列模型，包括经典统计学模型和最新的机器学习模型，它还设计了简单直观的 API，使得即使是时间序列分析的初学者也能轻松上手。
特点
darts 具有如下特点
预测模型：darts 支持多种时间序列模型，包括经典统计学模型（如 ARIMA、指数平滑法）和最新的机器学习模型（如 Prophet、RNN）
异常检测：darts 提供广泛的异常检测功能。例如，在时间序列上应用 PyOD 模型来获取异常分数。
多变量支持：TimeSeries 可以是多变量的，即包含多个随时间变化的维度而不是单个标量值。
分层协调：darts 提供了转换器来执行协调。这些可以使预测以尊重底层层次结构的方式进行累加。
回归模型：可以插入任何 scikit-learn 兼容模型，以获得作为目标序列和协变量的滞后值函数的预测。
可解释性：darts 能够使用 Shap 值解释一些预测模型。
数据处理：轻松应用时间序列数据常见转换的工具。
Metrics：评估时间序列拟合的多种指标。
回溯测试：使用移动时间窗口模拟历史预测的实用程序。
PyTorch Lightning 支持：所有深度学习模型均使用 PyTorch Lightning 实现，支持自定义回调、GPU/TPU 训练和自定义训练器等。
过滤模型：darts 提供三种过滤模型，KalmanFilter、GaussianProcessFilter 和 MovingAverageFilter，它们允许过滤时间序列。
数据集：darts.datasets 子模块包含一些流行的时间序列数据集，用于快速且可重复的实验。
库的安装
可以直接通过 pip 进行安装。
注意，需要对应的 python 版本大于等于 3.8
pip install darts
预测
首先我们通过 pandas 来加载数据集。
import pandas as pd
from darts import TimeSeries
# Read a pandas DataFrame
df = pd.read_csv("AirPassengers.csv", delimiter=",")
# Create a TimeSeries, specifying the time and value columns
series = TimeSeries.from_dataframe(df, "Month", "#Passengers")
# Set aside the last 36 months as a validation series
train, val = series[:-36], series[-36:]接下来训练一个指数平滑模型，并对验证集进行预测。
from darts.models import ExponentialSmoothing import matplotlib.pyplot as plt model = ExponentialSmoothing() model.fit(train) prediction = model.predict(len(val), num_samples=1000) series.plot() prediction.plot(label="forecast", low_quantile=0.05, high_quantile=0.95) plt.legend()
异常检测
首先，我们加载一个多元序列。
from darts.datasets import ETTh2Dataset series = ETTh2Dataset().load()[:10000][["MUFL", "LULL"]] train, val = series.split_before(0.6)
接下来，构建一个 k-means 异常评分器，在训练集上对其进行训练，并在验证集上使用它来获取异常分数。
from darts.ad import KMeansScorer scorer = KMeansScorer(k=2, window=5) scorer.fit(train) anom_score = scorer.score(val)
然后构建一个二元异常检测器并通过训练分数对其进行训练，然后使用它对验证分数来获得二元异常分类
from darts.ad import QuantileDetector detector = QuantileDetector(high_quantile=0.99) detector.fit(scorer.score(train)) binary_anom = detector.detect(anom_score)
绘图展示
import matplotlib.pyplot as plt series.plot() (anom_score / 2. - 100).plot(label="computed anomaly score", c="orangered", lw=3) (binary_anom * 45 - 150).plot(label="detected binary anomaly", lw=4)
以上就是python机器学习darts时间序列预测和分析的详细内容，更多关于python darts时间序列预测的资料请关注脚本之家其它相关文章！