
مكتبة بايثون للتنبؤ السهل الاستخدام واكتشاف الحالات الشاذة في السلاسل الزمنية.
# السلاسل الزمنية أصبحت سهلة في Python

---
[](https://badge.fury.io/py/darts)
[](https://anaconda.org/conda-forge/u8darts-all)

[](https://hub.docker.com/r/unit8/darts)


[](https://pepy.tech/project/darts)
[](https://pepy.tech/project/u8darts)
[](https://codecov.io/gh/unit8co/darts)
[](https://github.com/psf/black) [](https://gitter.im/u8darts/darts?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge&utm_content=badge)
**Darts** هي مكتبة Python للتنبؤ واكتشاف الشذوذ بطريقة سهلة الاستخدام
على السلاسل الزمنية. تحتوي على مجموعة متنوعة من النماذج، من الكلاسيكية مثل ARIMA إلى
الشبكات العصبية العميقة. يمكن استخدام جميع نماذج التنبؤ بالطريقة نفسها،
باستخدام دوال `fit()` و `predict()`، على غرار scikit-learn.
تسهّل المكتبة أيضًا إجراء الاختبار الخلفي للنماذج،
ودمج تنبؤات عدة نماذج، ومراعاة البيانات الخارجية.
تدعم Darts السلاسل الزمنية والنماذج أحادية المتغير ومتعددة المتغيرات.
يمكن تدريب النماذج القائمة على تعلم الآلة على مجموعات بيانات كبيرة محتملة تحتوي على سلاسل زمنية متعددة،
كما تقدّم بعض النماذج دعمًا غنيًا للتنبؤ الاحتمالي.
تقدّم Darts أيضًا قدرات واسعة لاكتشاف الشذوذ.
على سبيل المثال، من السهل تطبيق نماذج PyOD على السلاسل الزمنية للحصول على درجات الشذوذ،
أو تغليف أي من نماذج التنبؤ أو التصفية في Darts للحصول على
نماذج اكتشاف شذوذ متكاملة.
## التوثيق
* [البدء السريع](https://unit8co.github.io/darts/quickstart/00-quickstart.html)
* [دليل المستخدم](https://unit8co.github.io/darts/userguide.html)
* [مرجع API](https://unit8co.github.io/darts/generated_api/darts.html)
* [أمثلة](https://unit8co.github.io/darts/examples.html)
### مقدّمات عالية المستوى
* [مقالة تعريفية على المدونة](https://medium.com/unit8-machine-learning-publication/darts-time-series-made-easy-in-python-5ac2947a8878)
* [فيديو تعريفي (25 دقيقة)](https://youtu.be/g6OXDnXEtFA)
### مقالات حول مواضيع مختارة
* [تدريب النماذج على سلاسل زمنية متعددة](https://medium.com/unit8-machine-learning-publication/training-forecasting-models-on-multiple-time-series-with-darts-dc4be70b1844)
* [استخدام المتغيرات المشتركة الماضية والمستقبلية](https://medium.com/unit8-machine-learning-publication/time-series-forecasting-using-past-and-future-external-data-with-darts-1f0539585993)
* [الشبكات الالتفافية الزمنية والتنبؤ](https://medium.com/unit8-machine-learning-publication/temporal-convolutional-networks-and-forecasting-5ce1b6e97ce4)
* [التنبؤ الاحتمالي](https://medium.com/unit8-machine-learning-publication/probabilistic-forecasting-in-darts-e88fbe83344e)
* [التعلم بالنقل للتنبؤ بالسلاسل الزمنية](https://medium.com/unit8-machine-learning-publication/transfer-learning-for-time-series-forecasting-87f39e375278)
* [التوفيق الهرمي للتنبؤات](https://medium.com/unit8-machine-learning-publication/hierarchical-forecast-reconciliation-with-darts-8b4b058bb543)
## التثبيت السريع
نوصي أولاً بإعداد بيئة Python نظيفة لمشروعك باستخدام Python 3.11+ مع أداتك المفضلة
([conda](https://docs.conda.io/projects/conda/en/latest/user-guide/tasks/manage-environments.html "conda-env"),
[venv](https://docs.python.org/3/library/venv.html)، [virtualenv](https://virtualenv.pypa.io/en/latest/) مع
أو بدون [virtualenvwrapper](https://virtualenvwrapper.readthedocs.io/en/latest/)).
بمجرد إعداد بيئتك، يمكنك تثبيت darts باستخدام pip:
pip install darts
لمزيد من التفاصيل، يمكنك الرجوع إلى
[تعليمات التثبيت](https://github.com/unit8co/darts/blob/master/INSTALL.md).
## مثال على الاستخدام
### التنبؤ
أنشئ كائن `TimeSeries` من Pandas DataFrame، وقسّمه إلى سلاسل تدريب/تحقق:
```python
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:]
```
قم بملاءمة نموذج التمهيد الأسي، وقم بعمل تنبؤ (احتمالي) على مدى مدة 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 و95:
```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="مثال على تنبؤ darts" />
</div>
### اكتشاف الشذوذ
حمّل سلسلة متعددة المتغيرات، واقتطعها، واحتفظ بمكوّنين، وقسّم مجموعتي التدريب والتحقق:
```python
from darts.datasets import ETTh2Dataset
series = ETTh2Dataset().load()[:10000][["MUFL", "LULL"]]
train, val = series.split_before(0.6)
```
ابنِ مُقيِّم شذوذ k-means، ودرِّبه 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 وقم بتدريبه على درجات التدريب،
ثم استخدمه على درجات التحقق للحصول على تصنيف شذوذ ثنائي:
```python
from darts.ad import QuantileDetector
detector = QuantileDetector(high_quantile=0.99)
detector.fit(scorer.score(train))
binary_anom = detector.detect(anom_score)
```
رسم (تحريك وقياس 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="darts anomaly detection example" />
</div>
## الميزات
* **نماذج التنبؤ:** مجموعة كبيرة من نماذج التنبؤ لمهام الانحدار وكذلك التصنيف؛ من النماذج الإحصائية (مثل
ARIMA) إلى نماذج التعلم العميق (مثل N-BEATS). راجع [نماذج التنبؤ](#forecasting-models) أدناه.
* **كشف الشذوذ** تحتوي وحدة `darts.ad` على مجموعة من مُقيِّمات الشذوذ،
والكاشفات، والمُجمِّعات، والتي يمكن دمجها جميعًا لكشف الشذوذ في السلاسل الزمنية.
من السهل تغليف أي من نماذج التنبؤ أو التصفية في Darts لبناء
نموذج كشف شذوذ متكامل يقارن التنبؤات بالقيم الفعلية.
يجعل `PyODScorer` استخدام كاشفات PyOD على السلاسل الزمنية أمرًا بسيطًا.
* **دعم متعدد المتغيرات:** يمكن أن يكون `TimeSeries` متعدد المتغيرات - أي أن يحتوي على عدة
أبعاد/أعمدة متغيرة زمنيًا بدلاً من قيمة عددية واحدة. يمكن للعديد من النماذج استهلاك وإنتاج سلاسل متعددة المتغيرات.
* **التدريب على سلاسل متعددة (النماذج الشاملة):** جميع النماذج القائمة على التعلم الآلي (بما في ذلك جميع الشبكات العصبية)
تدعم التدريب على سلاسل متعددة (قد تكون متعددة المتغيرات). يمكن أن يتوسع هذا ليشمل مجموعات بيانات كبيرة أيضًا.
* **دعم احتمالي:** يمكن لكائنات `TimeSeries` (اختياريًا) تمثيل سلاسل زمنية
عشوائية؛ يمكن استخدام هذا على سبيل المثال للحصول على فترات ثقة، وتدعم العديد من النماذج أنماطًا مختلفة
من التنبؤ الاحتمالي (مثل تقدير التوزيعات المعلمية أو الكميات).
كما أن بعض مُقيِّمات كشف الشذوذ قادرة على استغلال هذه التوزيعات التنبؤية.
* **دعم التنبؤ التوافقي:** تتيح نماذج التنبؤ التوافقي لدينا توليد تنبؤات احتمالية مع
فترات كمية معايرة لأي نموذج تنبؤ شامل مُدرَّب مسبقًا.
* **دعم المتغيرات المشتركة السابقة والمستقبلية:** تدعم العديد من النماذج في Darts سلاسل زمنية
للمتغيرات المشتركة (بيانات خارجية) المرصودة سابقًا و/أو المعروفة مستقبلاً كمدخلات لإنتاج التنبؤات.
* **دعم المتغيرات المشتركة الثابتة:** بالإضافة إلى البيانات المعتمدة على الوقت، يمكن أن يحتوي `TimeSeries` أيضًا على
بيانات ثابتة لكل بُعد، والتي يمكن استغلالها من قبل بعض النماذج.
* **التوفيق الهرمي:** تقدم Darts محوِّلات لتنفيذ التوفيق.
يمكن لهذه أن تجعل التنبؤات متسقة بطريقة تحترم التسلسل الهرمي الأساسي.
* **نماذج الانحدار:** من الممكن إدراج أي نموذج متوافق مع scikit-learn
للحصول على تنبؤات كدوال للقيم المتأخرة للسلسلة المستهدفة والمتغيرات المشتركة.
* **التدريب بأوزان العينات:** جميع النماذج الشاملة تدعم التدريب بأوزان العينات. يمكن تطبيقها
على كل ملاحظة وخطوة زمنية متنبأ بها وعمود مستهدف.
* **إزاحة بداية التنبؤ:** جميع النماذج الشاملة تدعم التدريب والتنبؤ على نافذة إخراج مُزاحة.
هذا مفيد على سبيل المثال لتنبؤات سوق اليوم التالي، أو عندما يتم الإبلاغ عن المتغيرات المشتركة (أو السلسلة المستهدفة)
بتأخير.
* **القابلية للتفسير:** تمتلك Darts القدرة على *تفسير* بعض نماذج التنبؤ باستخدام قيم SHAP.
* **معالجة البيانات:** أدوات لتطبيق (والتراجع عن) التحويلات الشائعة بسهولة على
بيانات السلاسل الزمنية (التحجيم، ملء القيم المفقودة، الفروقات، boxcox، ...)
* **المقاييس:** مجموعة متنوعة من المقاييس لتقييم جودة ملاءمة السلاسل الزمنية؛
من درجات R2 إلى متوسط الخطأ المطلق المُقاس.
* **الاختبار الرجعي:** أدوات ل模拟 التنبؤات التاريخية، باستخدام نوافذ زمنية متحركة.
* **دعم PyTorch Lightning:** يتم تنفيذ جميع نماذج التعلم العميق باستخدام PyTorch Lightning،
مما يدعم من بين أمور أخرى عمليات الاستدعاء المخصصة، والتدريب على وحدات معالجة الرسومات/وحدات معالجة الموترات، والمدربين المخصصين.
* **تكامل MLflow:** التكامل مع MLflow للتتبع الآلي، ومقارنة، واستمرارية
تجارب نماذج التنبؤ في Darts. راجع [دفتر البدء السريع لـ MLflow](https://unit8co.github.io/darts/examples/29-MLflow-examples.html) للحصول على أمثلة.
* **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** تحتوي الوحدة الفرعية `darts.datasets` على بعض مجموعات بيانات السلاسل الزمنية الشائعة للتجريب
السريع والقابل للتكرار.
* **التوافق مع خلفيات متعددة:** يمكن إنشاء كائنات `TimeSeries` من وتصديرها إلى خلفيات متنوعة مثل pandas، وpolars، وnumpy، وpyarrow، وxarray، والمزيد، مما يسهل التكامل السلس مع مكتبات معالجة البيانات المختلفة.
## نماذج التنبؤ
فيما يلي تفصيل لنماذج التنبؤ المنفذة حاليًا في Darts. تتضمن مجموعتنا كلاً من نماذج الانحدار والتصنيف، كل منها مصمم لمهام تنبؤ محددة. نحن ملتزمون بتوسيع عروضنا بنماذج وميزات جديدة لتعزيز قدراتك في التنبؤ.
**نماذج الانحدار:** تم تصميم 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 المساعدة:<br/><br/>مرصودة سابقًا/<br/>مستقبلية معروفة/<br/>ثابتة | التنبؤ الاحتمالي:<br/><br/>بالعينات/<br/>بمعاملات التوزيع | التدريب والتنبؤ على سلاسل متعددة |
|--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|--------------------------------------------------------------|--------------------------------------------------------------------------|--------------------------------------------------------------------------|-------------------------------------------|
| **النماذج الأساسية**<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 و N4SID 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) | | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
| غلاف [StatsForecastModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.sf_model.html#darts.models.forecasting.sf_model.StatsForecastModel) 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) | | ✅ ✅ | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
| **النماذج الأساسية 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 بـ scikit-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) | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| **النماذج المبنية 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) (يشمل LSTM و GRU)؛ مكافئ لـ 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) (يشمل LSTM و GRU) | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| [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 الأساسية**<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 أمازون](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 جوجل](https://research.google/blog/a-decoder-only-foundation-model-for-time-series-forecasting) | ✅ ✅ | 🔴 🔴 🔴 | ✅ ✅ | ✅ |
| [TimesFM3Model](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.timesfm3_model.html#darts.models.forecasting.timesfm3_model.TimesFM3Model) | [ورقة TimesFM 1.0](https://arxiv.org/abs/2310.10688)، [بطاقة نموذج TimesFM 3.0](https://huggingface.co/google/timesfm-3.0-pytorch) | ✅ ✅ | ✅ ✅ 🔴 | ✅ ✅ | ✅ |
| [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)، [TiRex على GitHub](https://github.com/NX-AI/tirex) | ✅ ✅ | 🔴 🔴 🔴 | ✅ ✅ | ✅ |
| [TiRex2Model](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.tirex2_model.html#darts.models.forecasting.tirex2_model.TiRex2Model) | [ورقة TiRex-2](https://arxiv.org/abs/2607.01204)، [TiRex-2 على GitHub](https://github.com/NX-AI/tirex-2) | ✅ ✅ | ✅ ✅ 🔴 | ✅ ✅ | ✅ |
| [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)، [PatchTST-FM على GitHub](https://github.com/ibm-granite/granite-tsfm) | ✅ ✅ | 🔴 🔴 🔴 | ✅ ✅ | ✅ |
| [T0Model](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.t0_model.html#darts.models.forecasting.t0_model.T0Model) | [تقرير T0](https://www.theforecastingcompany.com/papers/files/t0-technical-report.pdf)، [tfc-t0 على GitHub](https://github.com/theforecastingcompany/tfc-t0) | ✅ ✅ | ✅ ✅ 🔴 | ✅ ✅ | ✅ |
| **نماذج التجميع**<br/>([GlobalForecastingModel](https://unit8co.github.io/darts/userguide/covariates.html#global-forecasting-models-gfms)): يعتمد دعم النموذج على نماذج التنبؤ المجمعة 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) | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| **نماذج الامتثال**<br/>([GlobalForecastingModel](https://unit8co.github.io/darts/userguide/covariates.html#global-forecasting-models-gfms)): يعتمد دعم النموذج على نموذج التنبؤ المستخدم | | | | | |
---
[Read more](https://github.com/unit8co/darts)