unit8co/dartsمكتبة بايثون للتنبؤ السهل الاستخدام واكتشاف الحالات الشاذة في السلاسل الزمنية.
Darts هي مكتبة بايثون لتسهيل التنبؤ وكشف الحالات الشاذة في السلاسل الزمنية. تحتوي على مجموعة متنوعة من النماذج، بدءًا من النماذج الكلاسيكية مثل ARIMA وصولاً إلى الشبكات العصبية العميقة. يمكن استخدام جميع نماذج التنبؤ بالطريقة نفسها، باستخدام دالتي fit() و predict()، على غرار scikit-learn. كما تسهّل المكتبة عملية إعادة اختبار النماذج (backtesting) والجمع بين تنبؤات عدة نماذج والأخذ في الاعتبار البيانات الخارجية. تدعم Darts السلاسل الزمنية والنماذج أحادية المتغير ومتعددة المتغيرات. ويمكن تدريب النماذج القائمة على التعلم الآلي على مجموعات بيانات قد تكون كبيرة تحتوي على سلاسل زمنية متعددة، وتوفر بعض النماذج دعمًا غنيًا للتنبؤ الاحتمالي.
كما تقدم Darts إمكانيات واسعة لكشف الحالات الشاذة. على سبيل المثال، من السهل تطبيق نماذج PyOD على السلاسل الزمنية للحصول على درجات الشذوذ، أو تغليف أي من نماذج التنبؤ أو الترشيح في Darts للحصول على نماذج مكتملة لكشف الحالات الشاذة.
نوصي أولاً بإعداد بيئة بايثون نظيفة لمشروعك بإصدار Python 3.10+ باستخدام أداتك المفضلة (conda، venv، virtualenv مع أو بدون virtualenvwrapper).
بمجرد إعداد بيئتك، يمكنك تثبيت darts باستخدام pip:
pip install darts
لمزيد من التفاصيل، يمكنك الرجوع إلى تعليمات التثبيت.
أنشئ كائن TimeSeries من إطار بيانات Pandas، وقسّمه إلى سلسلتي تدريب وتحقق:```python
import pandas as pd
from darts import TimeSeries
df = pd.read_csv("AirPassengers.csv", delimiter=",")
series = TimeSeries.from_dataframe(df, "Month", "#Passengers")
train, val = series[:-36], series[-36:]
قم بملاءمة نموذج التمهيد الأسي، وقم بعمل توقع (احتمالي) على مدى سلسلة التحقق:```python
from darts.models import ExponentialSmoothing
model = ExponentialSmoothing()
model.fit(train)
prediction = model.predict(len(val), num_samples=1000)
ارسم الوسيط والمئينين الخامس والخامس والتسعين:```python import matplotlib.pyplot as plt
series.plot() prediction.plot(label="forecast", low_quantile=0.05, high_quantile=0.95) plt.legend()
<div style="text-align:center;">
<img src="https://raw.githubusercontent.com/unit8co/darts/master/static/images/example.png" alt="darts forecast example" />
</div>
### كشف الشذوذ
قم بتحميل سلسلة متعددة المتغيرات، وقصّها، واحتفظ بمكوّنين، واقسمها إلى مجموعتي التدريب والتحقق:```python
from darts.datasets import ETTh2Dataset
series = ETTh2Dataset().load()[:10000][["MUFL", "LULL"]]
train, val = series.split_before(0.6)
قم ببناء مُقيِّم شذوذ k-means، ودرّبه على مجموعة التدريب، واستخدمه على مجموعة التحقق للحصول على درجات الشذوذ:```python from darts.ad import KMeansScorer
scorer = KMeansScorer(k=2, window=5) scorer.fit(train) anom_score = scorer.score(val)
قم ببناء كاشف شذوذ ثنائي وتدريبه على درجات التدريب،
ثم استخدمه على درجات التحقق للحصول على تصنيف الشذوذ الثنائي:```python
from darts.ad import QuantileDetector
detector = QuantileDetector(high_quantile=0.99)
detector.fit(scorer.score(train))
binary_anom = detector.detect(anom_score)
ارسم (مع إزاحة وتحجيم بعض السلاسل لجعل كل شيء يظهر على نفس الشكل):```python 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)
<div style="text-align:center;">
<img src="https://raw.githubusercontent.com/unit8co/darts/master/static/images/example_ad.png" alt="مثال لكشف الشذوذ في darts" />
</div>
## الميزات
* **نماذج التنبؤ:** مجموعة كبيرة من نماذج التنبؤ لمهام الانحدار والتصنيف؛ من النماذج الإحصائية (مثل
ARIMA) إلى نماذج التعلم العميق (مثل N-BEATS). انظر [نماذج التنبؤ](#forecasting-models) أدناه.
* **كشف الشذوذ** تحتوي وحدة `darts.ad` على مجموعة من أدوات تقييم الشذوذ،
وكاشفات، ومجمّعات، يمكن دمجها جميعًا لكشف الشذوذ في السلاسل الزمنية.
من السهل تغليف أي من نماذج التنبؤ أو التصفية في Darts لبناء
نموذج كامل لكشف الشذوذ يقارن التنبؤات بالقيم الفعلية.
يجعل `PyODScorer` استخدام كاشفات PyOD على السلاسل الزمنية أمرًا في غاية السهولة.
* **دعم متعدد المتغيرات:** يمكن أن تكون `TimeSeries` متعددة المتغيرات - أي تحتوي على
أبعاد/أعمدة متعددة متغيرة بمرور الوقت بدلاً من قيمة عددية واحدة. يمكن للعديد من النماذج استهلاك وإنتاج سلاسل متعددة المتغيرات.
* **التدريب على سلاسل متعددة (النماذج العالمية):** تدعم جميع النماذج القائمة على التعلم الآلي (بما في ذلك جميع الشبكات العصبية)
التدريب على سلاسل متعددة (ربما متعددة المتغيرات). يمكن أن يتوسع هذا ليشمل مجموعات البيانات الكبيرة أيضًا.
* **الدعم الاحتمالي:** يمكن لكائنات `TimeSeries` (اختياريًا) تمثيل
سلاسل زمنية عشوائية؛ ويمكن استخدام ذلك على سبيل المثال للحصول على فترات ثقة، وتدعم العديد من النماذج
نكهات مختلفة من التنبؤ الاحتمالي (مثل تقدير التوزيعات البارامترية أو الكميات).
كما يمكن لبعض أدوات تقييم الشذوذ استغلال هذه التوزيعات التنبؤية.
* **دعم التنبؤ المطابق:** تسمح نماذج التنبؤ المطابق لدينا بتوليد تنبؤات احتمالية
بفواصل كميات معايرة لأي نموذج تنبؤ عالمي مدرّب مسبقًا.
* **دعم المتغيرات المشتركة الماضية والمستقبلية:** تدعم العديد من النماذج في Darts السلاسل الزمنية للمتغيرات المشتركة (البيانات الخارجية) الملاحَظة في الماضي و/أو المعروفة في المستقبل كمدخلات لإنتاج التنبؤات.
* **دعم المتغيرات المشتركة الثابتة:** بالإضافة إلى البيانات المعتمدة على الوقت، يمكن أن تحتوي `TimeSeries` أيضًا على
بيانات ثابتة لكل بُعد، والتي يمكن لبعض النماذج استغلالها.
* **التوفيق الهرمي:** تقدم Darts محولات لإجراء التوفيق (Reconciliation).
يمكن لهذه المحولات أن تجعل التنبؤات تتجمع بطريقة تحترم التسلسل الهرمي الأساسي.
* **نماذج الانحدار:** من الممكن توصيل أي نموذج متوافق مع scikit-learn
للحصول على تنبؤات كدوال للقيم المبطأة (المتأخرة) للسلسلة المستهدفة والمتغيرات المشتركة.
* **التدريب بأوزان العينات:** تدعم جميع النماذج العالمية التدريب بأوزان العينات. يمكن
تطبيقها على كل ملاحظة، وكل خطوة زمنية للتنبؤ، وكل عمود مستهدف.
* **إزاحة بداية التنبؤ:** تدعم جميع النماذج العالمية التدريب والتنبؤ على نافذة مخرجات مزاحة.
وهذا مفيد على سبيل المثال لتنبؤات سوق اليوم التالي، أو عندما يتم الإبلاغ عن المتغيرات المشتركة (أو السلسلة المستهدفة)
بتأخير.
* **قابلية التفسير:** لدى Darts القدرة على *تفسير* بعض نماذج التنبؤ باستخدام قيم SHAP.
* **معالجة البيانات:** أدوات لتطبيق (وعكس) التحويلات الشائعة بسهولة على
بيانات السلاسل الزمنية (التحجيم، ملء القيم المفقودة، الاختلاف، Box-Cox، ...)
* **المقاييس:** مجموعة متنوعة من المقاييس لتقييم جودة ملاءمة السلاسل الزمنية؛
من درجات R2 إلى متوسط الخطأ المطلق المُقيّس.
* **الاختبار الخلفي (Backtesting):** أدوات لمحاكاة التنبؤات التاريخية باستخدام نوافذ زمنية متحركة.
* **دعم PyTorch Lightning:** يتم تنفيذ جميع نماذج التعلم العميق باستخدام PyTorch Lightning،
مع دعم من بين أمور أخرى للمعاودات المخصصة (callbacks)، والتدريب عبر وحدات معالجة الرسوميات (GPUs) ووحدات معالجة الموترات (TPUs)، والمدرّبين المخصصين.
* **نماذج التصفية:** تقدم Darts ثلاثة نماذج تصفية: `KalmanFilter` و`GaussianProcessFilter`
و`MovingAverageFilter`، والتي تسمح بتصفية السلاسل الزمنية، وفي بعض الحالات الحصول على استدلالات احتمالية
للحالات/القيم الأساسية.
* **مجموعات البيانات** يحتوي الوحدة الفرعية `darts.datasets` على بعض مجموعات بيانات السلاسل الزمنية الشهيرة للتجريب
السريع والقابل للتكرار.
* **التوافق مع خلفيات متعددة:** يمكن إنشاء كائنات `TimeSeries` من وتصديرها إلى خلفيات مختلفة مثل pandas وpolars وnumpy وpyarrow وxarray والمزيد، مما يسهل التكامل السلس مع مكتبات معالجة البيانات المختلفة.
## نماذج التنبؤ
فيما يلي تفصيل لنماذج التنبؤ المطبقة حاليًا في Darts. تتضمن مجموعتنا نماذج الانحدار والتصنيف، كل منها مصمم خصيصًا لمهام تنبؤ محددة. نحن ملتزمون بتوسيع عروضنا بنماذج وميزات جديدة لتعزيز قدراتك على التنبؤ.
**نماذج الانحدار:** صُممت نماذج الانحدار لدينا للتنبؤ بقيم رقمية مستمرة، مما يجعلها مثالية للتنبؤ بالاتجاهات والأنماط المستقبلية في بيانات السلاسل الزمنية. استخدم هذه النماذج للحصول على رؤى حول النتائج المستقبلية المحتملة بناءً على البيانات التاريخية.| النموذج | المصادر | دعم السلاسل المستهدفة:<br/><br/>أحادية المتغير/<br/>متعددة المتغيرات | دعم المتغيرات المصاحبة:<br/><br/>ملاحَظة سابقًا/<br/>معروفة مستقبلًا/<br/>ثابتة | التنبؤ الاحتمالي:<br/><br/>عيّنات/<br/>معاملات التوزيع | التدريب والتنبؤ على سلاسل متعددة |
|--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|--------------------------------------------------------------|--------------------------------------------------------------------------|--------------------------------------------------------------------------|-------------------------------------------|
| **نماذج خط الأساس**<br/>([LocalForecastingModel](https://unit8co.github.io/darts/userguide/covariates.html#local-forecasting-models-lfms)) | | | | | |
| [NaiveMean](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.baselines.html#darts.models.forecasting.baselines.NaiveMean) | | ✅ ✅ | 🔴 🔴 🔴 | 🔴 🔴 | 🔴 |
| [NaiveSeasonal](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.baselines.html#darts.models.forecasting.baselines.NaiveSeasonal) | | ✅ ✅ | 🔴 🔴 🔴 | 🔴 🔴 | 🔴 |
| [NaiveDrift](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.baselines.html#darts.models.forecasting.baselines.NaiveDrift) | | ✅ ✅ | 🔴 🔴 🔴 | 🔴 🔴 | 🔴 |
| [NaiveMovingAverage](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.baselines.html#darts.models.forecasting.baselines.NaiveMovingAverage) | | ✅ ✅ | 🔴 🔴 🔴 | 🔴 🔴 | 🔴 |
| **النماذج الإحصائية / الكلاسيكية**<br/>([LocalForecastingModel](https://unit8co.github.io/darts/userguide/covariates.html#local-forecasting-models-lfms)) | | | | | |
| [ARIMA](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.arima.html#darts.models.forecasting.arima.ARIMA) | | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ 🔴 | 🔴 |
| [VARIMA](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.varima.html#darts.models.forecasting.varima.VARIMA) | | 🔴 ✅ | 🔴 ✅ 🔴 | ✅ 🔴 | 🔴 |
| [ExponentialSmoothing](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.exponential_smoothing.html#darts.models.forecasting.exponential_smoothing.ExponentialSmoothing) | | ✅ 🔴 | 🔴 🔴 🔴 | ✅ 🔴 | 🔴 |
| [Theta](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.theta.html#darts.models.forecasting.theta.Theta) و[FourTheta](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.theta.html#darts.models.forecasting.theta.FourTheta) | [ورقة Theta](https://robjhyndman.com/papers/Theta.pdf) و[مصدر 4 Theta](https://github.com/Mcompetitions/M4-methods/blob/master/4Theta%20method.R) | ✅ 🔴 | 🔴 🔴 🔴 | 🔴 🔴 | 🔴 |
| [Prophet](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.prophet_model.html#darts.models.forecasting.prophet_model.Prophet) | [مستودع Prophet](https://github.com/facebook/prophet) | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ 🔴 | 🔴 |
| [FFT](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.fft.html#darts.models.forecasting.fft.FFT) (تحويل فورييه السريع) | | ✅ 🔴 | 🔴 🔴 🔴 | 🔴 🔴 | 🔴 |
| [KalmanForecaster](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.kalman_forecaster.html#darts.models.forecasting.kalman_forecaster.KalmanForecaster) باستخدام مرشح كالمان وN4SID لتحديد النظام | [ورقة N4SID](https://people.duke.edu/~hpgavin/SystemID/References/VanOverschee-Automatica-1994.pdf) | ✅ ✅ | 🔴 ✅ 🔴 | ✅ 🔴 | 🔴 |
| [TBATS](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.sf_tbats.html#darts.models.forecasting.sf_tbats.TBATS) | [ورقة TBATS](https://robjhyndman.com/papers/ComplexSeasonality.pdf) | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
| طريقة [Croston](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.sf_croston.html#darts.models.forecasting.sf_croston.Croston) | | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
| [StatsForecastModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.sf_model.html#darts.models.forecasting.sf_model.StatsForecastModel) غلاف حول أي نموذج من [StatsForecast](https://nixtlaverse.nixtla.io/statsforecast/index.html#models) | [statsforecast من Nixtla](https://github.com/Nixtla/statsforecast) | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
| [AutoARIMA](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.sf_auto_arima.html#darts.models.forecasting.sf_auto_arima.AutoARIMA) | [statsforecast من Nixtla](https://github.com/Nixtla/statsforecast) | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
| [AutoETS](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.sf_auto_ets.html#darts.models.forecasting.sf_auto_ets.AutoETS) | [statsforecast من Nixtla](https://github.com/Nixtla/statsforecast) | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
| [AutoCES](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.sf_auto_ces.html#darts.models.forecasting.sf_auto_ces.AutoCES) | [statsforecast من Nixtla](https://github.com/Nixtla/statsforecast) | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
| [AutoMFLES](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.sf_auto_mfles.html#darts.models.forecasting.sf_auto_mfles.AutoMFLES) | [statsforecast من Nixtla](https://github.com/Nixtla/statsforecast) | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
| [AutoTBATS](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.sf_auto_tbats.html#darts.models.forecasting.sf_auto_tbats.AutoTBATS) | [statsforecast من Nixtla](https://github.com/Nixtla/statsforecast) | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
| [AutoTheta](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.sf_auto_theta.html#darts.models.forecasting.sf_auto_theta.AutoTheta) | [statsforecast من Nixtla](https://github.com/Nixtla/statsforecast) | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
| [MultivariateModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.multivariate_model.html#darts.models.forecasting.multivariate_model.MultivariateModel) | | ✅ ✅ | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
| **نماذج خط الأساس العامة**<br/>([GlobalForecastingModel](https://unit8co.github.io/darts/userguide/covariates.html#global-forecasting-models-gfms)) | | | | | |
| [GlobalNaiveAggregate](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.global_baseline_models.html#darts.models.forecasting.global_baseline_models.GlobalNaiveAggregate) | | ✅ ✅ | 🔴 🔴 🔴 | 🔴 🔴 | ✅ |
| [GlobalNaiveDrift](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.global_baseline_models.html#darts.models.forecasting.global_baseline_models.GlobalNaiveDrift) | | ✅ ✅ | 🔴 🔴 🔴 | 🔴 🔴 | ✅ |
| [GlobalNaiveSeasonal](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.global_baseline_models.html#darts.models.forecasting.global_baseline_models.GlobalNaiveSeasonal) | | ✅ ✅ | 🔴 🔴 🔴 | 🔴 🔴 | ✅ |
| **نماذج الانحدار**<br/>([GlobalForecastingModel](https://unit8co.github.io/darts/userguide/covariates.html#global-forecasting-models-gfms)) | | | | | |
| [SKLearnModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.sklearn_model.html#darts.models.forecasting.sklearn_model.SKLearnModel): غلاف حول أي نموذج انحدار شبيه بـscikit-learn | | ✅ ✅ | ✅ ✅ ✅ | 🔴 🔴 | ✅ |
| [LinearRegressionModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.linear_regression_model.html#darts.models.forecasting.linear_regression_model.LinearRegressionModel) | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| [RandomForestModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.random_forest.html#darts.models.forecasting.random_forest.RandomForestModel) | | ✅ ✅ | ✅ ✅ ✅ | 🔴 🔴 | ✅ |
| [CatBoostModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.catboost_model.html#darts.models.forecasting.catboost_model.CatBoostModel) | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| [LightGBMModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.lgbm.html#darts.models.forecasting.lgbm.LightGBMModel) | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| [XGBModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.xgboost.html#darts.models.forecasting.xgboost.XGBModel) | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| **نماذج مبنية على PyTorch (Lightning)**<br/>([GlobalForecastingModel](https://unit8co.github.io/darts/userguide/covariates.html#global-forecasting-models-gfms)) | | | | | |
| [RNNModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.rnn_model.html#darts.models.forecasting.rnn_model.RNNModel) (بما في ذلك LSTM وGRU)؛ يعادل DeepAR في نسخته الاحتمالية | [ورقة DeepAR](https://arxiv.org/abs/1704.04110) | ✅ ✅ | 🔴 ✅ 🔴 | ✅ ✅ | ✅ |
| [BlockRNNModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.block_rnn_model.html#darts.models.forecasting.block_rnn_model.BlockRNNModel) (بما في ذلك LSTM وGRU) | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| [NBEATSModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.nbeats.html#darts.models.forecasting.nbeats.NBEATSModel) | [ورقة N-BEATS](https://arxiv.org/abs/1905.10437) | ✅ ✅ | ✅ 🔴 🔴 | ✅ ✅ | ✅ |
| [NHiTSModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.nhits.html#darts.models.forecasting.nhits.NHiTSModel) | [ورقة N-HiTS](https://arxiv.org/abs/2201.12886) | ✅ ✅ | ✅ 🔴 🔴 | ✅ ✅ | ✅ |
| [TCNModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.tcn_model.html#darts.models.forecasting.tcn_model.TCNModel) | [ورقة TCN](https://arxiv.org/abs/1803.01271), [ورقة DeepTCN](https://arxiv.org/abs/1906.04397), [منشور مدونة](https://medium.com/unit8-machine-learning-publication/temporal-convolutional-networks-and-forecasting-5ce1b6e97ce4) | ✅ ✅ | ✅ 🔴 🔴 | ✅ ✅ | ✅ |
| [TransformerModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.transformer_model.html#darts.models.forecasting.transformer_model.TransformerModel) | | ✅ ✅ | ✅ 🔴 🔴 | ✅ ✅ | ✅ |
| [TFTModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.tft_model.html#darts.models.forecasting.tft_model.TFTModel) (محول الاندماج الزمني) | [ورقة TFT](https://arxiv.org/pdf/1912.09363.pdf), [PyTorch Forecasting](https://pytorch-forecasting.readthedocs.io/en/latest/models.html) | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| [DLinearModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.dlinear.html#darts.models.forecasting.dlinear.DLinearModel) | [ورقة DLinear](https://arxiv.org/pdf/2205.13504.pdf) | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| [NLinearModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.nlinear.html#darts.models.forecasting.nlinear.NLinearModel) | [ورقة NLinear](https://arxiv.org/pdf/2205.13504.pdf) | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| [TiDEModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.tide_model.html#darts.models.forecasting.tide_model.TiDEModel) | [ورقة TiDE](https://arxiv.org/pdf/2304.08424.pdf) | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| [TSMixerModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.tsmixer_model.html#darts.models.forecasting.tsmixer_model.TSMixerModel) | [ورقة TSMixer](https://arxiv.org/pdf/2303.06053.pdf), [تنفيذ PyTorch](https://github.com/ditschuk/pytorch-tsmixer) | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| [NeuralForecastModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.nf_model.html#darts.models.forecasting.nf_model.NeuralForecastModel): غلاف حول أي نموذج أساسي من [NeuralForecast](https://nixtlaverse.nixtla.io/neuralforecast/docs/capabilities/overview.html) | [توثيق NeuralForecast](https://nixtlaverse.nixtla.io/neuralforecast/docs/) | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| **النماذج التأسيسية**<br/>([GlobalForecastingModel](https://unit8co.github.io/darts/userguide/covariates.html#global-forecasting-models-gfms)): لا يتطلب تدريبًا | | | | | |
| [Chronos2Model](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.chronos2_model.html#darts.models.forecasting.chronos2_model.Chronos2Model) | [تقرير Chronos-2](https://arxiv.org/abs/2510.15821), [منشور مدونة Amazon](https://www.amazon.science/blog/introducing-chronos-2-from-univariate-to-universal-forecasting) | ✅ ✅ | ✅ ✅ 🔴 | ✅ ✅ | ✅ |
| [TimesFM2p5Model](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.timesfm2p5_model.html#darts.models.forecasting.timesfm2p5_model.TimesFM2p5Model) | [ورقة TimesFM 1.0](https://arxiv.org/abs/2310.10688), [منشور مدونة Google](https://research.google/blog/a-decoder-only-foundation-model-for-time-series-forecasting) | ✅ ✅ | 🔴 🔴 🔴 | ✅ ✅ | ✅ |
| [TiRexModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.tirex_model.html#darts.models.forecasting.tirex_model.TiRexModel) | [ورقة TiRex](https://arxiv.org/abs/2505.23719), [مستودع TiRex على GitHub](https://github.com/NX-AI/tirex) | ✅ ✅ | 🔴 🔴 🔴 | ✅ ✅ | ✅ |
| [PatchTSTFMModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.patchtst_fm_model.html#darts.models.forecasting.patchtst_fm_model.PatchTSTFMModel) | [ورقة PatchTST-FM](https://arxiv.org/abs/2602.06909), [مستودع PatchTST-FM على GitHub](https://github.com/ibm-granite/granite-tsfm) | ✅ ✅ | 🔴 🔴 🔴 | ✅ ✅ | ✅ |
| **نماذج التجميع**<br/>([GlobalForecastingModel](https://unit8co.github.io/darts/userguide/covariates.html#global-forecasting-models-gfms)): دعم النماذج يعتمد على نماذج التنبؤ المجمَّعة ونموذج التجميع نفسه | | | | | |
| [NaiveEnsembleModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.naive_ensemble_model.html#darts.models.forecasting.naive_ensemble_model.NaiveEnsembleModel) | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| [RegressionEnsembleModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.regression_ensemble_model.html#darts.models.forecasting.regression_ensemble_model.RegressionEnsembleModel) | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| **النماذج المطابقة**<br/>([GlobalForecastingModel](https://unit8co.github.io/darts/userguide/covariates.html#global-forecasting-models-gfms)): دعم النماذج يعتمد على نموذج التنبؤ المستخدم | | | | | |
| [ConformalNaiveModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.conformal_models.html#darts.models.forecasting.conformal_models.ConformalNaiveModel) | [التنبؤ المطابق](https://arxiv.org/pdf/1905.03222) | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| [ConformalQRModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.conformal_models.html#darts.models.forecasting.conformal_models.ConformalQRModel) | [انحدار الكميات المطابق](https://arxiv.org/pdf/1905.03222) | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |**نماذج التصنيف:** تم تصميم نماذج التصنيف في Darts للتنبؤ بتسميات الفئات التصنيفية، مما يتيح وسم السلاسل الزمنية بشكل فعال والتنبؤ بالفئة المستقبلية. هذه النماذج مثالية للسيناريوهات التي يكون فيها تحديد فئات أو حالات متميزة على مدار الوقت أمرًا بالغ الأهمية.
| Model | Sources | Target Series Support:<br/><br/>Univariate/<br/>Multivariate | Covariates Support:<br/><br/>Past-observed/<br/>Future-known/<br/>Static | Probabilistic Forecasting:<br/><br/>Sampled/<br/>Distribution Parameters | Training & Forecasting on Multiple Series |
|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|---------|--------------------------------------------------------------|--------------------------------------------------------------------------|--------------------------------------------------------------------------|-------------------------------------------|
| **Regression Models**<br/>([GlobalForecastingModel](https://unit8co.github.io/darts/userguide/covariates.html#global-forecasting-models-gfms)) | | | | | |
| [SKLearnClassifierModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.sklearn_model.html#darts.models.forecasting.sklearn_model.SKLearnClassifierModel): غلاف لأي نموذج تصنيف شبيه بـ scikit-learn | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| [CatBoostClassifierModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.catboost_model.html#darts.models.forecasting.catboost_model.CatBoostClassifierModel) | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| [LightGBMClassifierModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.lgbm.html#darts.models.forecasting.lgbm.LightGBMClassifierModel) | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| [XGBClassifierModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.xgboost.html#darts.models.forecasting.xgboost.XGBClassifierModel) | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
## المجتمع والتواصل
نرحب بالجميع للانضمام إلى [غرفة Gitter](https://gitter.im/u8darts/darts) لطرح الأسئلة، وتقديم المقترحات،
لمناقشة حالات الاستخدام، والمزيد. إذا رصدت خطأً أو كانت لديك اقتراحات، فنحن نرحب أيضًا بقضايا GitHub.
إذا كان ما تريد إخبارنا به غير مناسب لـ Gitter أو Github، فلا تتردد في مراسلتنا عبر البريد الإلكتروني على <a href="mailto:[email protected]">[email protected]</a> للأمور المتعلقة بـ darts أو <a href="mailto:[email protected]">[email protected]</a> لأي استفسارات أخرى.
## المساهمة
التطوير مستمر، ونرحب بالاقتراحات وطلبات السحب والقضايا على GitHub.
سيتم الاعتراف بجميع المساهمين في
[صفحة سجل التغييرات](https://github.com/unit8co/darts/blob/master/CHANGELOG.md).
قبل العمل على مساهمة (ميزة جديدة أو إصلاح)،
[اطلع على إرشادات المساهمة الخاصة بنا](https://github.com/unit8co/darts/blob/master/CONTRIBUTING.md).
## الاستشهاد
إذا كنت تستخدم Darts في عملك العلمي، فسنقدّر الاستشهاد بالورقة البحثية JMLR التالية.
[Darts: التعلم الآلي الحديث سهل الاستخدام للسلاسل الزمنية](https://www.jmlr.org/papers/v23/21-1177.html)
إدخال Bibtex (أو انسخ مباشرة عبر استشهاد مستودع GitHub):```
@article{Herzen_Darts_User-Friendly_Modern_2022,
author = {Herzen, Julien and Lässig, Francesco and Piazzetta, Samuele Giuliano and Neuer, Thomas and Tafti, Léo and Raille, Guillaume and Van Pottelbergh, Tomas and Pasieka, Marek and Skrodzki, Andrzej and Huguenin, Nicolas and Dumonal, Maxime and Kościsz, Jan and Bader, Dennis and Gusset, Frédérick and Benheddi, Mounir and Williamson, Camila and Kosinski, Michal and Petrik, Matej and Grosch, Gaël},
journal = {Journal of Machine Learning Research},
number = {124},
pages = {1--6},
title = {{Darts: User-Friendly Modern Machine Learning for Time Series}},
url = {https://jmlr.org/papers/v23/21-1177.html},
volume = {23},
year = {2022}
}