
Eine Python-Bibliothek für benutzerfreundliche Prognose und Anomalieerkennung auf Zeitreihen.
# Zeitreihen leicht gemacht in 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** 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 die gleiche Weise verwendet werden,
mit `fit()`- und `predict()`-Funktionen, ähnlich wie bei scikit-learn.
Die Bibliothek erleichtert auch das Backtesting von Modellen,
das Kombinieren 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 der Modelle bieten umfangreiche Unterstützung für probabilistische Prognosen.
Darts bietet auch umfangreiche Anomalieerkennungsfunktionen.
Beispielsweise ist es trivial, PyOD-Modelle auf Zeitreihen anzuwenden, um Anomalie-Scores zu erhalten,
oder eines der Darts-Prognose- oder Filtermodelle zu umhüllen, um vollwertige
Anomalieerkennungsmodelle zu erhalten.
## Dokumentation
* [Schnellstart](https://unit8co.github.io/darts/quickstart/00-quickstart.html)
* [Benutzerhandbuch](https://unit8co.github.io/darts/userguide.html)
* [API-Referenz](https://unit8co.github.io/darts/generated_api/darts.html)
* [Beispiele](https://unit8co.github.io/darts/examples.html)
### Einführungen auf hoher Ebene
* [Einführender Blogbeitrag](https://medium.com/unit8-machine-learning-publication/darts-time-series-made-easy-in-python-5ac2947a8878)
* [Einführungsvideo (25 Minuten)](https://youtu.be/g6OXDnXEtFA)
### Artikel zu ausgewählten Themen
* [Modelle auf mehreren Zeitreihen trainieren](https://medium.com/unit8-machine-learning-publication/training-forecasting-models-on-multiple-time-series-with-darts-dc4be70b1844)
* [Verwendung vergangener und zukünftiger Kovariaten](https://medium.com/unit8-machine-learning-publication/time-series-forecasting-using-past-and-future-external-data-with-darts-1f0539585993)
* [Temporale Convolutional Networks und Prognosen](https://medium.com/unit8-machine-learning-publication/temporal-convolutional-networks-and-forecasting-5ce1b6e97ce4)
* [Probabilistische Prognosen](https://medium.com/unit8-machine-learning-publication/probabilistic-forecasting-in-darts-e88fbe83344e)
* [Transfer Learning für Zeitreihenprognosen](https://medium.com/unit8-machine-learning-publication/transfer-learning-for-time-series-forecasting-87f39e375278)
* [Hierarchische Prognoseabstimmung](https://medium.com/unit8-machine-learning-publication/hierarchical-forecast-reconciliation-with-darts-8b4b058bb543)
## Schnellinstallation
Wir empfehlen, zunächst eine saubere Python-Umgebung für Ihr Projekt mit Python 3.11+ und Ihrem bevorzugten Tool einzurichten
([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/) mit
oder ohne [virtualenvwrapper](https://virtualenvwrapper.readthedocs.io/en/latest/)).
Sobald Ihre Umgebung eingerichtet ist, können Sie darts mit pip installieren:
pip install darts
Weitere Details finden Sie in unseren
[Installationsanweisungen](https://github.com/unit8co/darts/blob/master/INSTALL.md).
## Beispielverwendung
### Prognose
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
# 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:]
```
Fit ein exponentielles Glättungsmodell an und erstelle 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)
```
Stellen Sie den Median sowie das 5. und 95. Perzentil dar:
```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>
### Anomalieerkennung
Laden Sie eine multivariate Reihe, kürzen Sie sie, behalten Sie 2 Komponenten, teilen Sie Trainings- und Validierungsdatensätze 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 Trainingsset
und verwende ihn auf dem Validierungsset, 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 Anomalieklassifikation 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 (Verschieben und Skalieren einiger der 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="darts anomaly detection example" />
</div>
## Funktionen
* **Prognosemodelle:** Eine große Sammlung von Prognosemodellen für Regressions- sowie Klassifikationsaufgaben; von statistischen Modellen (wie
ARIMA) bis hin 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, jedes der Darts-Prognose- oder Filtermodelle zu umhüllen, um
ein vollwertiges Anomalieerkennungsmodell zu erstellen, das Vorhersagen mit tatsächlichen Werten vergleicht.
Der `PyODScorer` macht es trivial, PyOD-Detektoren auf Zeitreihen anzuwenden.
* **Multivariate Unterstützung:** `TimeSeries` kann multivariat sein – d. h. mehrere zeitlich veränderliche
Dimensionen/Spalten statt eines einzelnen skalaren Werts enthalten. Viele Modelle können multivariate Reihen verarbeiten und erzeugen.
* **Training mit mehreren Reihen (globale Modelle):** Alle auf maschinellem Lernen basierenden Modelle (einschließlich aller neuronalen Netze)
unterstützen das Training auf mehreren (potenziell multivariaten) Reihen. Dies kann auch auf große Datensätze skalieren.
* **Probabilistische Unterstützung:** `TimeSeries`-Objekte können (optional) stochastische
Zeitreihen repräsentieren; dies kann beispielsweise verwendet werden, um Konfidenzintervalle zu erhalten, und viele Modelle unterstützen verschiedene
Varianten der probabilistischen Prognose (wie die Schätzung parametrischer Verteilungen oder Quantile).
Einige Anomalieerkennungs-Scorer können diese prädiktiven Verteilungen ebenfalls nutzen.
* **Conformal-Prediction-Unterstützung:** Unsere Conformal-Prediction-Modelle ermöglichen die Erzeugung probabilistischer Prognosen mit
kalibrierten Quantilintervallen für jedes vortrainierte globale Prognosemodell.
* **Unterstützung vergangener und zukünftiger Kovariaten:** Viele Modelle in Darts unterstützen in der Vergangenheit beobachtete und/oder in der Zukunft bekannte
Kovariaten-Zeitreihen (externe Daten) als Eingaben für die Erstellung von Prognosen.
* **Unterstützung statischer 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 Transformer zur Durchführung der Abstimmung.
Diese können die Prognosen so aufsummieren, dass die zugrunde liegende Hierarchie berücksichtigt wird.
* **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.
* **Verschiebung des Prognosestarts:** Alle globalen Modelle unterstützen Training und Vorhersage auf einem verschobenen Ausgabefenster.
Dies ist beispielsweise für Day-Ahead-Market-Prognosen nützlich, oder wenn die Kovariaten (oder Zielreihen) mit
einer Verzögerung gemeldet werden.
* **Erklärbarkeit:** Darts hat die Fähigkeit, einige Prognosemodelle mithilfe von SHAP-Werten zu *erklären*.
* **Datenverarbeitung:** Werkzeuge zur einfachen Anwendung (und Rückgängigmachung) gängiger Transformationen auf
Zeitreihendaten (Skalierung, Auffüllen fehlender Werte, Differenzierung, Boxcox, ...)
* **Metriken:** Eine Vielzahl von Metriken zur Bewertung der Anpassungsgüte von Zeitreihen;
von R2-Scores bis hin 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
und unterstützen unter anderem benutzerdefinierte Callbacks, GPU/TPU-Training und benutzerdefinierte Trainer.
* **MLflow-Integration:** Integration mit MLflow für automatisiertes Tracking, Vergleichen und Persistieren
von Darts-Prognosemodell-Experimenten. Siehe das [MLflow-Quickstart-Notebook](https://unit8co.github.io/darts/examples/29-MLflow-examples.html) für Beispiele.
* **Filtermodelle:** Darts bietet drei Filtermodelle: `KalmanFilter`, `GaussianProcessFilter`
und `MovingAverageFilter`, die das Filtern von Zeitreihen ermöglichen und in einigen Fällen probabilistische
Rückschlüsse auf die zugrunde liegenden Zustände/Werte erlauben.
* **Datensätze** Das Untermodul `darts.datasets` enthält einige populäre 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 ist eine Aufschlüsselung der derzeit in Darts implementierten Prognosemodelle. Unsere Suite umfasst sowohl Regressions- als auch Klassifikationsmodelle, die jeweils auf spezifische Prognoseaufgaben zugeschnitten sind. Wir sind bestrebt, unser Angebot mit neuen Modellen und Funktionen zu erweitern, um Ihre Prognosefähigkeiten 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 Basis historischer Daten zu gewinnen.
| Modell | Quellen | Unterstützte Zielreihen:<br/><br/>Univariat/<br/>Multivariat | Kovariaten-Unterstützung:<br/><br/>Vergangenheit-beobachtet/<br/>Zukunft-bekannt/<br/>Statisch | Probabilistische Prognose:<br/><br/>Gesampelt/<br/>Verteilungsparameter | Training & Prognose auf mehreren Reihen |
|--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|--------------------------------------------------------------|--------------------------------------------------------------------------|--------------------------------------------------------------------------|-------------------------------------------|
| **Basismodelle**<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-Quelle](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 | [Nixtlas statsforecast](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) | [Nixtlas statsforecast](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) | [Nixtlas statsforecast](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) | [Nixtlas statsforecast](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) | [Nixtlas statsforecast](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) | [Nixtlas statsforecast](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) | [Nixtlas statsforecast](https://github.com/Nixtla/statsforecast) | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
---
[Read more](https://github.com/unit8co/darts)