unit8co/dartsEine Python-Bibliothek für benutzerfreundliche Prognose und Anomalieerkennung auf Zeitreihen.
Darts ist eine Python-Bibliothek für benutzerfreundliche Prognosen und Anomalieerkennung auf Zeitreihen. Sie enthält eine Vielzahl von Modellen, von Klassikern wie ARIMA bis hin zu tiefen neuronalen Netzen. Die Prognosemodelle können alle auf dieselbe Weise verwendet werden, mit fit()- und predict()-Funktionen, ähnlich wie scikit-learn. Die Bibliothek erleichtert außerdem das Backtesting von Modellen, die Kombination der Vorhersagen mehrerer Modelle und die Berücksichtigung externer Daten. Darts unterstützt sowohl univariate als auch multivariate Zeitreihen und Modelle. Die ML-basierten Modelle können auf potenziell großen Datensätzen mit mehreren Zeitreihen trainiert werden, und einige Modelle bieten umfangreiche Unterstützung für probabilistische Prognosen.
Darts bietet außerdem umfangreiche Funktionen zur Anomalieerkennung. So ist es beispielsweise trivial, PyOD-Modelle auf Zeitreihen anzuwenden, um Anomalie-Scores zu erhalten, oder beliebige Darts-Prognose- oder Filtermodelle zu kapseln, um vollwertige Anomalieerkennungsmodelle zu erhalten.
Wir empfehlen, zuerst eine saubere Python-Umgebung für Ihr Projekt mit Python 3.10+ einzurichten, und zwar mit Ihrem bevorzugten Werkzeug (conda, venv, virtualenv mit oder ohne virtualenvwrapper).
Wenn Ihre Umgebung eingerichtet ist, können Sie darts mit pip installieren:
pip install darts
Weitere Details finden Sie in unserer Installationsanleitung.
Erstellen Sie ein TimeSeries-Objekt aus einem Pandas DataFrame und teilen Sie es in Trainings-/Validierungsreihen auf:```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:]
Passen Sie ein exponentielles Glättungsmodell an und treffen Sie eine (probabilistische) Vorhersage über die Dauer der Validierungsreihe:```python
from darts.models import ExponentialSmoothing
model = ExponentialSmoothing()
model.fit(train)
prediction = model.predict(len(val), num_samples=1000)
Plotte den Median, das 5. und 95. Perzentil:```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-Prognosebeispiel" />
</div>
### Anomalieerkennung
Laden Sie eine multivariate Zeitreihe, schneiden Sie sie zurecht, behalten Sie 2 Komponenten und teilen Sie die Daten in Trainings- und Validierungssätze auf:```python
from darts.datasets import ETTh2Dataset
series = ETTh2Dataset().load()[:10000][["MUFL", "LULL"]]
train, val = series.split_before(0.6)
Erstelle einen k-means-Anomalie-Scorer, trainiere ihn auf dem Trainingssatz und verwende ihn auf dem Validierungssatz, um Anomalie-Scores zu erhalten:```python from darts.ad import KMeansScorer
scorer = KMeansScorer(k=2, window=5) scorer.fit(train) anom_score = scorer.score(val)
Erstelle einen binären Anomalie-Detektor und trainiere ihn mit Trainings-Scores, verwende ihn dann mit Validierungs-Scores, um eine binäre Anomalie-Klassifizierung zu erhalten:```python
from darts.ad import QuantileDetector
detector = QuantileDetector(high_quantile=0.99)
detector.fit(scorer.score(train))
binary_anom = detector.detect(anom_score)
Plot (Verschiebung und Skalierung einiger Reihen, damit alles in derselben Abbildung erscheint):```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="Beispiel für Darts-Anomalieerkennung" />
</div>
## Funktionen
* **Prognosemodelle:** Eine große Sammlung von Prognosemodellen für Regressions- sowie Klassifikationsaufgaben; von statistischen Modellen (wie
ARIMA) bis zu Deep-Learning-Modellen (wie N-BEATS). Siehe die [Prognosemodelle](#forecasting-models) unten.
* **Anomalieerkennung** Das Modul `darts.ad` enthält eine Sammlung von Anomalie-Scorern,
Detektoren und Aggregatoren, die alle kombiniert werden können, um Anomalien in Zeitreihen zu erkennen.
Es ist einfach, beliebige Darts-Prognose- oder Filtermodelle zu kapseln, um
ein vollwertiges Anomalieerkennungsmodell zu erstellen, das Vorhersagen mit Ist-Werten vergleicht.
Mit dem `PyODScorer` ist es trivial, PyOD-Detektoren auf Zeitreihen anzuwenden.
* **Multivariate Unterstützung:** `TimeSeries` kann multivariat sein – d. h. mehrere zeitvariierende
Dimensionen/Spalten anstelle eines einzelnen Skalarwerts enthalten. Viele Modelle können multivariate Reihen verarbeiten und erzeugen.
* **Training mit mehreren Zeitreihen (Globale Modelle):** Alle auf maschinellem Lernen basierenden Modelle (einschließlich aller neuronalen Netze)
unterstützen das Training auf mehreren (potenziell multivariaten) Zeitreihen. Dies skaliert auch auf große Datensätze.
* **Probabilistische Unterstützung:** `TimeSeries`-Objekte können (optional) stochastische
Zeitreihen darstellen; dies kann beispielsweise zur Ermittlung von Konfidenzintervallen verwendet werden, und viele Modelle unterstützen verschiedene
Varianten der probabilistischen Prognose (wie etwa die Schätzung parametrischer Verteilungen oder Quantile).
Einige Anomalie-Erkennungs-Scorer können diese prädiktiven Verteilungen ebenfalls nutzen.
* **Unterstützung für konforme Vorhersagen:** Unsere Modelle für konforme Vorhersagen ermöglichen die Erzeugung probabilistischer Prognosen mit
kalibrierten Quantilintervallen für jedes zuvor trainierte globale Prognosemodell.
* **Unterstützung für vergangene und zukünftige Kovariaten:** Viele Modelle in Darts unterstützen vergangenheitsbeobachtete und/oder zukunftsbekannte
Kovariaten-Zeitreihen (externe Daten) als Eingaben zur Erstellung von Prognosen.
* **Unterstützung für statische Kovariaten:** Zusätzlich zu zeitabhängigen Daten kann `TimeSeries` auch
statische Daten für jede Dimension enthalten, die von einigen Modellen genutzt werden können.
* **Hierarchische Abstimmung:** Darts bietet Transformatoren zur Durchführung einer Abstimmung.
Diese können dafür sorgen, dass die Prognosen in einer Weise aufsummieren, die der zugrunde liegenden Hierarchie entspricht.
* **Regressionsmodelle:** Es ist möglich, jedes scikit-learn-kompatible Modell einzubinden,
um Prognosen als Funktionen verzögerter Werte der Zielreihe und Kovariaten zu erhalten.
* **Training mit Stichprobengewichten:** Alle globalen Modelle unterstützen das Training mit Stichprobengewichten. Sie können auf
jede Beobachtung, jeden prognostizierten Zeitschritt und jede Zielspalte angewendet werden.
* **Verschieben des Prognosestarts:** Alle globalen Modelle unterstützen Training und Vorhersage auf einem verschobenen Ausgabefenster.
Dies ist beispielsweise für Day-Ahead-Marktprognosen nützlich oder wenn die Kovariaten (oder die Zielreihe)
mit Verzögerung gemeldet werden.
* **Erklärbarkeit:** Darts bietet die Möglichkeit, einige Prognosemodelle mithilfe von SHAP-Werten zu *erklären*.
* **Datenverarbeitung:** Werkzeuge zur einfachen Anwendung (und Rückgängigmachung) gängiger Transformationen auf
Zeitreihendaten (Skalierung, Auffüllen fehlender Werte, Differenzbildung, boxcox, ...)
* **Metriken:** Eine Vielzahl von Metriken zur Bewertung der Anpassungsgüte von Zeitreihen;
von R2-Scores bis zum Mean Absolute Scaled Error.
* **Backtesting:** Hilfsmittel zur Simulation historischer Prognosen unter Verwendung gleitender Zeitfenster.
* **PyTorch-Lightning-Unterstützung:** Alle Deep-Learning-Modelle sind mit PyTorch Lightning implementiert,
unterstützen unter anderem benutzerdefinierte Callbacks, GPU/TPU-Training und benutzerdefinierte Trainer.
* **Filtermodelle:** Darts bietet drei Filtermodelle: `KalmanFilter`, `GaussianProcessFilter`,
und `MovingAverageFilter`, die es ermöglichen, Zeitreihen zu filtern und in einigen Fällen probabilistische
Rückschlüsse auf die zugrunde liegenden Zustände/Werte zu erhalten.
* **Datensätze** Das Untermodul `darts.datasets` enthält einige beliebte Zeitreihen-Datensätze für schnelle
und reproduzierbare Experimente.
* **Kompatibilität mit mehreren Backends:** `TimeSeries`-Objekte können aus verschiedenen Backends wie pandas, polars, numpy, pyarrow, xarray und weiteren erstellt und in diese exportiert werden, was eine nahtlose Integration mit verschiedenen Datenverarbeitungsbibliotheken ermöglicht.
## Prognosemodelle
Hier finden Sie eine Aufschlüsselung der derzeit in Darts implementierten Prognosemodelle. Unser Portfolio umfasst sowohl Regressions- als auch Klassifikationsmodelle, die jeweils auf spezifische Prognoseaufgaben zugeschnitten sind. Wir sind bestrebt, unser Angebot an neuen Modellen und Funktionen zu erweitern, um Ihre Prognosemöglichkeiten zu verbessern.
**Regressionsmodelle:** Unsere Regressionsmodelle sind darauf ausgelegt, kontinuierliche numerische Werte vorherzusagen, was sie ideal für die Prognose zukünftiger Trends und Muster in Zeitreihendaten macht. Nutzen Sie diese Modelle, um Einblicke in potenzielle zukünftige Ergebnisse auf der Grundlage historischer Daten zu gewinnen.| Modell | Quellen | Unterstützung der Zielzeitreihe:<br/><br/>Univariat/<br/>Multivariat | Kovariaten-Unterstützung:<br/><br/>Vergangen-beobachtet/<br/>Zukunft-bekannt/<br/>Statisch | Probabilistische Prognose:<br/><br/>Stichprobenbasiert/<br/>Verteilungsparameter | Training & Prognose auf mehreren Zeitreihen |
|--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|--------------------------------------------------------------|--------------------------------------------------------------------------|--------------------------------------------------------------------------|-------------------------------------------|
| **Baseline-Modelle**<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) | | ✅ ✅ | 🔴 🔴 🔴 | 🔴 🔴 | 🔴 |
| **Statistische / Klassische Modelle**<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) und [FourTheta](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.theta.html#darts.models.forecasting.theta.FourTheta) | [Theta-Paper](https://robjhyndman.com/papers/Theta.pdf) & [4-Theta-Quellcode](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) | [Prophet-Repository](https://github.com/facebook/prophet) | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ 🔴 | 🔴 |
| [FFT](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.fft.html#darts.models.forecasting.fft.FFT) (Schnelle Fourier-Transformation) | | ✅ 🔴 | 🔴 🔴 🔴 | 🔴 🔴 | 🔴 |
| [KalmanForecaster](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.kalman_forecaster.html#darts.models.forecasting.kalman_forecaster.KalmanForecaster) unter Verwendung des Kalman-Filters und N4SID zur Systemidentifikation | [N4SID-Paper](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) | [TBATS-Paper](https://robjhyndman.com/papers/ComplexSeasonality.pdf) | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
| [Croston](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.sf_croston.html#darts.models.forecasting.sf_croston.Croston)-Methode | | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
| [StatsForecastModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.sf_model.html#darts.models.forecasting.sf_model.StatsForecastModel) Wrapper um jedes [StatsForecast](https://nixtlaverse.nixtla.io/statsforecast/index.html#models)-Modell | [statsforecast von 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 von 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 von 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 von 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 von 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 von 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 von 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) | | ✅ ✅ | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
| **Globale Baseline-Modelle**<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) | | ✅ ✅ | 🔴 🔴 🔴 | 🔴 🔴 | ✅ |
| **Regressionsmodelle**<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): Wrapper um jedes scikit-learn-ähnliche Regressionsmodell | | ✅ ✅ | ✅ ✅ ✅ | 🔴 🔴 | ✅ |
| [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) | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| **PyTorch (Lightning)-basierte Modelle**<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) (inkl. LSTM und GRU); entspricht in seiner probabilistischen Version DeepAR | [DeepAR-Paper](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) (inkl. LSTM und GRU) | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| [NBEATSModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.nbeats.html#darts.models.forecasting.nbeats.NBEATSModel) | [N-BEATS-Paper](https://arxiv.org/abs/1905.10437) | ✅ ✅ | ✅ 🔴 🔴 | ✅ ✅ | ✅ |
| [NHiTSModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.nhits.html#darts.models.forecasting.nhits.NHiTSModel) | [N-HiTS-Paper](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) | [TCN-Paper](https://arxiv.org/abs/1803.01271), [DeepTCN-Paper](https://arxiv.org/abs/1906.04397), [Blogbeitrag](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) (Temporal Fusion Transformer) | [TFT-Paper](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) | [DLinear-Paper](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) | [NLinear-Paper](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) | [TiDE-Paper](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) | [TSMixer-Paper](https://arxiv.org/pdf/2303.06053.pdf), [PyTorch-Implementierung](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): Wrapper um jedes [NeuralForecast](https://nixtlaverse.nixtla.io/neuralforecast/docs/capabilities/overview.html)-Basismodell | [NeuralForecast-Dokumentation](https://nixtlaverse.nixtla.io/neuralforecast/docs/) | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| **Foundation-Modelle**<br/>([GlobalForecastingModel](https://unit8co.github.io/darts/userguide/covariates.html#global-forecasting-models-gfms)): Kein Training erforderlich | | | | | |
| [Chronos2Model](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.chronos2_model.html#darts.models.forecasting.chronos2_model.Chronos2Model) | [Chronos-2-Bericht](https://arxiv.org/abs/2510.15821), [Amazon-Blogbeitrag](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) | [TimesFM-1.0-Paper](https://arxiv.org/abs/2310.10688), [Google-Blogbeitrag](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) | [TiRex-Paper](https://arxiv.org/abs/2505.23719), [TiRex auf 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) | [PatchTST-FM-Paper](https://arxiv.org/abs/2602.06909), [PatchTST-FM auf GitHub](https://github.com/ibm-granite/granite-tsfm) | ✅ ✅ | 🔴 🔴 🔴 | ✅ ✅ | ✅ |
| **Ensemble-Modelle**<br/>([GlobalForecastingModel](https://unit8co.github.io/darts/userguide/covariates.html#global-forecasting-models-gfms)): Die Modellunterstützung hängt von den im Ensemble verwendeten Prognosemodellen und dem Ensemble-Modell selbst ab | | | | | |
| [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) | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| **Konforme Modelle**<br/>([GlobalForecastingModel](https://unit8co.github.io/darts/userguide/covariates.html#global-forecasting-models-gfms)): Die Modellunterstützung hängt vom verwendeten Prognosemodell ab | | | | | |
| [ConformalNaiveModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.conformal_models.html#darts.models.forecasting.conformal_models.ConformalNaiveModel) | [Konforme Vorhersage](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) | [Konforme Quantilsregression](https://arxiv.org/pdf/1905.03222) | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |**Klassifikationsmodelle:** Klassifikationsmodelle in Darts sind darauf ausgelegt, kategoriale Klassenbezeichnungen vorherzusagen und ermöglichen so eine effektive Kennzeichnung von Zeitreihen sowie die Vorhersage zukünftiger Klassen. Diese Modelle eignen sich hervorragend für Szenarien, in denen die Identifizierung verschiedener Kategorien oder Zustände im Zeitverlauf entscheidend ist.
| Modell | Quellen | Unterstützung für Zielzeitreihen:<br/><br/>Univariat/<br/>Multivariat | Unterstützung für Kovariaten:<br/><br/>Vergangenheitsbeobachtet/<br/>Zukünftig bekannt/<br/>Statisch | Probabilistische Prognose:<br/><br/>Stichprobenbasiert/<br/>Verteilungsparameter | Training & Prognose auf mehreren Zeitreihen |
|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|---------|--------------------------------------------------------------|--------------------------------------------------------------------------|--------------------------------------------------------------------------|-------------------------------------------|
| **Regressionsmodelle**<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): Wrapper um ein beliebiges scikit-learn-ähnliches Klassifikationsmodell | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| [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) | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
## Community & Kontakt
Jeder ist herzlich eingeladen, unserem [Gitter-Raum](https://gitter.im/u8darts/darts) beizutreten, um Fragen zu stellen, Vorschläge zu machen,
Anwendungsfälle zu diskutieren und mehr. Wenn du einen Fehler entdeckst oder Anregungen hast, sind auch GitHub-Issues willkommen.
Wenn das, was du uns mitteilen möchtest, nicht für Gitter oder GitHub geeignet ist,
schreib uns gerne eine E-Mail an <a href="mailto:[email protected]">[email protected]</a> für
Angelegenheiten rund um Darts oder an <a href="mailto:[email protected]">[email protected]</a> für alle anderen
Anfragen.
## Mitwirken
Die Entwicklung ist im Gange, und wir freuen uns über Vorschläge, Pull-Requests und Issues auf GitHub.
Alle Mitwirkenden werden auf der
[Änderungsprotokoll-Seite](https://github.com/unit8co/darts/blob/master/CHANGELOG.md) genannt.
Bevor du an einem Beitrag arbeitest (einem neuen Feature oder einem Fix),
[wirf einen Blick in unsere Mitwirkungsrichtlinien](https://github.com/unit8co/darts/blob/master/CONTRIBUTING.md).
## Zitieren
Wenn du Darts in deiner wissenschaftlichen Arbeit verwendest, würden wir uns über Zitate des folgenden JMLR-Papers freuen.
[Darts: User-Friendly Modern Machine Learning for Time Series](https://www.jmlr.org/papers/v23/21-1177.html)
Bibtex-Eintrag (oder direkt über die Repository-Zitation auf GitHub kopieren):```
@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}
}