Series Temporales Simplificadas en Python

---

Darts es una biblioteca de Python para el pronóstico y la detección de anomalías en series temporales de forma intuitiva. Contiene una variedad de modelos, desde clásicos como ARIMA hasta redes neuronales profundas. Todos los modelos de pronóstico se pueden usar de la misma manera, utilizando las funciones fit() y predict(), de forma similar a scikit-learn. La biblioteca también facilita el backtesting de modelos, la combinación de las predicciones de varios modelos y la consideración de datos externos. Darts admite tanto series temporales y modelos univariantes como multivariantes. Los modelos basados en ML se pueden entrenar con conjuntos de datos potencialmente grandes que contienen múltiples series temporales, y algunos de los modelos ofrecen un amplio soporte para el pronóstico probabilístico.

Darts también ofrece amplias capacidades de detección de anomalías. Por ejemplo, es trivial aplicar modelos PyOD sobre series temporales para obtener puntuaciones de anomalía, o envolver cualquiera de los modelos de pronóstico o filtrado de Darts para obtener modelos de detección de anomalías completamente desarrollados.

Documentación

• Inicio rápido
• Guía del usuario
• Referencia de la API
• Ejemplos

Introducciones de Alto Nivel

• Publicación de blog introductoria
• Vídeo de introducción (25 minutos)

Artículos sobre Temas Seleccionados

• Entrenamiento de Modelos con Múltiples Series Temporales
• Uso de Covariables Pasadas y Futuras
• Redes Convolucionales Temporales y Pronóstico
• Pronóstico Probabilístico
• Aprendizaje por Transferencia para el Pronóstico de Series Temporales
• Reconciliación de Pronósticos Jerárquicos

Instalación Rápida

Recomendamos configurar primero un entorno de Python limpio para tu proyecto con Python 3.11+ usando tu herramienta favorita (conda, venv, virtualenv con o sin virtualenvwrapper).

Una vez que tu entorno esté configurado, puedes instalar darts usando pip:

pip install darts

Para más detalles, puedes consultar nuestras instrucciones de instalación.

Ejemplo de Uso

Pronóstico

Crea un objeto TimeSeries a partir de un DataFrame de Pandas y divídelo en series de entrenamiento/validación:```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:]

Ajusta un modelo de suavizado exponencial y realiza una predicción (probabilística) sobre la duración de la serie de validación:```python
from darts.models import ExponentialSmoothing

model = ExponentialSmoothing()
model.fit(train)
prediction = model.predict(len(val), num_samples=1000)

Traza la mediana, los percentiles 5 y 95:```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>

### Detección de anomalías

Carga una serie multivariante, recórtala, conserva 2 componentes, divide los conjuntos de entrenamiento y validación:```python
from darts.datasets import ETTh2Dataset

series = ETTh2Dataset().load()[:10000][["MUFL", "LULL"]]
train, val = series.split_before(0.6)

Construye un puntuador de anomalías k-means, entrénalo con el conjunto de entrenamiento y úsalo en el conjunto de validación para obtener puntuaciones de anomalías:```python from darts.ad import KMeansScorer

scorer = KMeansScorer(k=2, window=5) scorer.fit(train) anom_score = scorer.score(val)

Construye un detector de anomalías binario y entrénalo con las puntuaciones de entrenamiento,
luego úsalo con las puntuaciones de validación para obtener una clasificación binaria de anomalías:```python
from darts.ad import QuantileDetector

detector = QuantileDetector(high_quantile=0.99)
detector.fit(scorer.score(train))
binary_anom = detector.detect(anom_score)

Gráfico (desplazando y escalando algunas de las series para que todo aparezca en la misma figura):```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>


## Características
* **Modelos de Pronóstico:** Una gran colección de modelos de pronóstico para tareas de regresión y clasificación; desde modelos estadísticos (como
  ARIMA) hasta modelos de aprendizaje profundo (como N-BEATS). Consulte los [modelos de pronóstico](#forecasting-models) a continuación.