unit8co/dartsمكتبة بايثون للتنبؤ السهل الاستخدام واكتشاف الحالات الشاذة في السلاسل الزمنية.
Darts هي مكتبة بايثون للتنبؤ السهل الاستخدام واكتشاف الشذوذ
في السلاسل الزمنية. تحتوي على مجموعة متنوعة من النماذج، من الكلاسيكيات مثل ARIMA إلى
الشبكات العصبية العميقة. يمكن استخدام جميع نماذج التنبؤ بنفس الطريقة،
باستخدام دالتي fit() و predict()، على غرار scikit-learn.
كما تسهّل المكتبة إجراء اختبار رجعي للنماذج،
والجمع بين تنبؤات عدة نماذج، والأخذ في الاعتبار البيانات الخارجية.
تدعم Darts السلاسل الزمنية والنماذج أحادية المتغير ومتعددة المتغيرات.
يمكن تدريب النماذج القائمة على التعلم الآلي على مجموعات بيانات كبيرة محتملة تحتوي على سلاسل زمنية متعددة،
وتوفر بعض النماذج دعمًا غنيًا للتنبؤ الاحتمالي.
توفر Darts أيضًا إمكانات 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 كاملة لاكتشاف الشذوذ.
نوصي أولاً بإعداد بيئة بايثون نظيفة لمشروعك مع 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 Pandas DataFrame، وقسّمه إلى سلاسل تدريب/تحقق:```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:]
لاءمة نموذج التنعيم الأسي، وإجراء 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، والنسب المئوية الخامسة والخامسة 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، وقم بقصّها، واحتفظ بمكوّنين، واقسم مجموعتي التدريب والتحقق:```python
from darts.datasets import ETTh2Dataset
series = ETTh2Dataset().load()[:10000][["MUFL", "LULL"]]
train, val = series.split_before(0.6)
ابنِ مُقيّم 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)
ابنِ كاشفًا ثنائيًا للشذوذ ودرّبه على درجات التدريب،
ثم استخدمه على درجات التحقق للحصول على تصنيف ثنائي للشذوذ:```python
from darts.ad import QuantileDetector
detector = QuantileDetector(high_quantile=0.99)
detector.fit(scorer.score(train))
binary_anom = detector.detect(anom_score)
Plot (تحويل وتوسيع نطاق بعض السلاسل لجعل كل شيء يظهر على نفس الشكل البياني):```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 أدوات تسجيل الشذوذ،
وأجهزة الكشف والمجمّعات، والتي 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 التوقعات بالقيم الفعلية.
يجعل `PyODScorer` من السهل استخدام أجهزة كشف PyOD على السلاسل الزمنية.
* **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.
* **تدريب على سلاسل متعددة (نماذج عالمية):** جميع النماذج القائمة على التعلم الآلي (بما في ذلك جميع الشبكات العصبية)
تدعم التدريب على سلاسل متعددة (ربما 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 نكهات مختلفة
من التنبؤ الاحتمالي (مثل تقدير التوزيعات البارامترية أو الكميات).
بعض أدوات تسجيل الشذوذ قادرة أيضًا على استغلال هذه التوزيعات التنبؤية.
* **دعم التنبؤ المطابق:** تسمح نماذج التنبؤ المطابق لدينا بتوليد توقعات احتمالية مع
فترات كميات معايرة لأي نموذج تنبؤ عالمي مُدرَّب مسبقًا.
* **دعم المتغيرات المساعدة السابقة والمستقبلية:** تدعم العديد من النماذج في Darts السلاسل الزمنية للمتغيرات المساعدة (البيانات الخارجية)
الملاحظة سابقًا و/أو المعروفة مستقبلاً كمدخلات لإنتاج التوقعات.
* **دعم المتغيرات المساعدة الثابتة:** بالإضافة إلى البيانات المعتمدة على الوقت، يمكن أن تحتوي `TimeSeries` أيضًا على
بيانات ثابتة لكل بُعد، والتي يمكن استغلالها بواسطة بعض النماذج.
* **التوفيق الهرمي:** تقدم Darts محولات لإجراء التوفيق.
يمكن لهذه أن تجعل التوقعات تتجمع بطريقة تحترم التسلسل الهرمي الأساسي.
* **نماذج الانحدار:** من الممكن توصيل أي نموذج متوافق مع scikit-learn
للحصول على توقعات كدوال للقيم المتأخرة للسلسلة المستهدفة والمتغيرات المساعدة.
* **التدريب بأوزان العينات:** تدعم جميع النماذج العالمية التدريب بأوزان العينات. يمكن تطبيقها
على كل ملاحظة وخطوة زمنية متوقعة وعمود مستهدف.
* **إزاحة بداية التنبؤ:** تدعم جميع النماذج العالمية التدريب والتنبؤ على نافذة إخراج مُزاحة.
هذا مفيد على سبيل المثال لتوقعات سوق اليوم التالي، أو عندما يتم الإبلاغ عن المتغيرات المساعدة (أو السلسلة المستهدفة)
بتأخير.
* **قابلية التفسير:** تمتلك Darts القدرة على *تفسير* بعض نماذج التنبؤ باستخدام قيم SHAP.
* **معالجة البيانات:** أدوات لتطبيق (وعكس) التحويلات الشائعة بسهولة على
بيانات السلاسل الزمنية (القياس، ملء القيم المفقودة، الاختلاف، boxcox، ...)
* **المقاييس:** مجموعة متنوعة من المقاييس لتقييم جودة ملاءمة السلاسل الزمنية؛
من درجات R2 إلى متوسط الخطأ المطلق المُقاس.
* **الاختبار الخلفي:** أدوات لمحاكاة التوقعات التاريخية، باستخدام نوافذ زمنية متحركة.
* **دعم PyTorch Lightning:** جميع نماذج التعلم العميق مُنفَّذة باستخدام PyTorch Lightning،
وتدعم من بين أمور أخرى الاستدعاءات المخصصة، والتدريب على وحدات GPU/TPU والمدربين المخصصين.
* **تكامل MLflow:** تكامل مع MLflow للتتبع والمقارنة والحفظ الآلي
لتجارب نماذج التنبؤ في Darts. راجع [دفتر ملاحظات أمثلة MLflow](https://unit8co.github.io/darts/examples/29-MLflow-examples.html) للأمثلة.
* **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 مختلفة مثل pandas وpolars وnumpy وpyarrow وxarray والمزيد، مما يسهل التكامل السلس مع مكتبات معالجة البيانات المختلفة.
## نماذج التنبؤ
فيما يلي تفصيل لنماذج التنبؤ المُنفَّذة حاليًا في Darts. تتضمن مجموعتنا نماذج الانحدار والتصنيف، كل منها مُصمَّم لمهام تنبؤ محددة. نحن ملتزمون بتوسيع عروضنا بنماذج وميزات جديدة لتعزيز قدرات التنبؤ لديك.
**نماذج الانحدار:** صُممت نماذج الانحدار لدينا للتنبؤ بالقيم العددية المستمرة، 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/<br/>متعددة المتغيرات | دعم المتغيرات المساعدة:<br/><br/>ملاحظة سابقة/<br/>معروفة مستقبلاً/<br/>ثابتة | التنبؤ الاحتمالي:<br/><br/>عينات/<br/>معاملات 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 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) | | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
| غلاف [StatsForecastModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.sf_model.html#darts.models.forecasting.sf_model.StatsForecastModel) حول أي نموذج [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 الأساس العالمية**<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 القائمة 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 [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 تدريباً | | | | | |
| [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)، [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)، [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 النموذج يعتمد على نماذج التنبؤ المجمعة والنموذج التجميعي 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 (Conformal)**<br/>([GlobalForecastingModel](https://unit8co.github.io/darts/userguide/covariates.html#global-forecasting-models-gfms)): دعم النموذج 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:** صُممت نماذج التصنيف في Darts للتنبؤ بتسميات الفئات القاطعة، مما يتيح وضع علامات فعّالة على السلاسل الزمنية والتنبؤ بالطبقات المستقبلية. هذه النماذج مثالية للسيناريوهات التي يكون فيها تحديد فئات أو حالات مميزة عبر الزمن أمرًا بالغ الأهمية.
| النموذج | المصادر | دعم السلاسل الهدف:<br/><br/>أحادية/<br/>متعددة المتغيرات | دعم المتغيرات المساعدة:<br/><br/>ملاحظة سابقة/<br/>معروفة مستقبلًا/<br/>ثابتة | التنبؤ الاحتمالي:<br/><br/>مُعيّن/<br/>معاملات التوزيع | التدريب والتنبؤ على سلاسل متعددة |
|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|---------|--------------------------------------------------------------|--------------------------------------------------------------------------|--------------------------------------------------------------------------|-------------------------------------------|
| **نماذج الانحدار**<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 حول أي 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 [غرفتنا على Gitter](https://gitter.im/u8darts/darts) لطرح الأسئلة، وتقديم المقترحات،
ومناقشة حالات الاستخدام، والمزيد. إذا لاحظت خطأً أو كانت لديك اقتراحات، فمرحبًا 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 وقضايا 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 التالية من JMLR.
[Darts: User-Friendly Modern Machine Learning for Time Series](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}
}