
Una librería de Python fácil de usar para la previsión y detección de anomalías en series temporales.
# Series Temporales Fáciles en 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** es una biblioteca de Python para el pronóstico y la detección de anomalías
en series temporales de forma sencilla. 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 funcionales.
## Documentación
* [Inicio rápido](https://unit8co.github.io/darts/quickstart/00-quickstart.html)
* [Guía del usuario](https://unit8co.github.io/darts/userguide.html)
* [Referencia de la API](https://unit8co.github.io/darts/generated_api/darts.html)
* [Ejemplos](https://unit8co.github.io/darts/examples.html)
### Introducciones de Alto Nivel
* [Publicación de blog introductoria](https://medium.com/unit8-machine-learning-publication/darts-time-series-made-easy-in-python-5ac2947a8878)
* [Vídeo de introducción (25 minutos)](https://youtu.be/g6OXDnXEtFA)
### Artículos sobre Temas Seleccionados
* [Entrenamiento de Modelos con Múltiples Series Temporales](https://medium.com/unit8-machine-learning-publication/training-forecasting-models-on-multiple-time-series-with-darts-dc4be70b1844)
* [Uso de Covariables Pasadas y Futuras](https://medium.com/unit8-machine-learning-publication/time-series-forecasting-using-past-and-future-external-data-with-darts-1f0539585993)
* [Redes Convolucionales Temporales y Pronóstico](https://medium.com/unit8-machine-learning-publication/temporal-convolutional-networks-and-forecasting-5ce1b6e97ce4)
* [Pronóstico Probabilístico](https://medium.com/unit8-machine-learning-publication/probabilistic-forecasting-in-darts-e88fbe83344e)
* [Aprendizaje por Transferencia para el Pronóstico de Series Temporales](https://medium.com/unit8-machine-learning-publication/transfer-learning-for-time-series-forecasting-87f39e375278)
* [Reconciliación de Pronósticos Jerárquicos](https://medium.com/unit8-machine-learning-publication/hierarchical-forecast-reconciliation-with-darts-8b4b058bb543)
## Instalación Rápida
Recomendamos configurar primero un entorno de Python limpio para tu proyecto con Python 3.11+ usando tu herramienta favorita
([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/) con
o sin [virtualenvwrapper](https://virtualenvwrapper.readthedocs.io/en/latest/)).
Una vez que tu entorno esté configurado, puedes instalar darts usando pip:
pip install darts
Para más detalles, puedes consultar nuestras
[instrucciones de instalación](https://github.com/unit8co/darts/blob/master/INSTALL.md).
## 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:]
```
Ajuste un modelo de suavizado exponencial y realice 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)
```
Representa 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="ejemplo de pronóstico de darts" />
</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 scorer de anomalías k-means, entrénalo con el conjunto de entrenamiento
y úsalo en el conjunto de validación para obtener puntuaciones de anomalía:
```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)
```
Trazar (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="ejemplo de detección de anomalías de darts" />
</div>
## Características
* **Modelos de Pronóstico:** Una gran colección de modelos de pronóstico tanto para tareas de regresión como de clasificación; desde modelos estadísticos (como
ARIMA) hasta modelos de aprendizaje profundo (como N-BEATS). Consulte los [modelos de pronóstico](#forecasting-models) a continuación.
* **Detección de Anomalías** El módulo `darts.ad` contiene una colección de puntuadores de anomalías,
detectores y agregadores, que pueden combinarse para detectar anomalías en series temporales.
Es fácil envolver cualquiera de los modelos de pronóstico o filtrado de Darts para construir
un modelo de detección de anomalías completo que compara las predicciones con los valores reales.
El `PyODScorer` hace trivial el uso de detectores PyOD en series temporales.
* **Soporte Multivariante:** `TimeSeries` puede ser multivariante, es decir, contener múltiples
dimensiones/columnas variables en el tiempo en lugar de un único valor escalar. Muchos modelos pueden consumir y producir series multivariantes.
* **Entrenamiento con Múltiples Series (Modelos Globales):** Todos los modelos basados en aprendizaje automático (incluidas todas las redes neuronales)
admiten ser entrenados con múltiples series (potencialmente multivariantes). Esto también puede escalar a grandes conjuntos de datos.
* **Soporte Probabilístico:** Los objetos `TimeSeries` pueden (opcionalmente) representar series temporales
estocásticas; esto puede usarse, por ejemplo, para obtener intervalos de confianza, y muchos modelos admiten diferentes
variantes de pronóstico probabilístico (como la estimación de distribuciones paramétricas o cuantiles).
Algunos puntuadores de detección de anomalías también pueden aprovechar estas distribuciones predictivas.
* **Soporte de Predicción Conforme:** Nuestros modelos de predicción conforme permiten generar pronósticos probabilísticos con
intervalos de cuantiles calibrados para cualquier modelo de pronóstico global preentrenado.
* **Soporte de Covariables Pasadas y Futuras:** Muchos modelos en Darts admiten series temporales de covariables (datos externos)
observadas en el pasado y/o conocidas en el futuro como entradas para producir pronósticos.
* **Soporte de Covariables Estáticas:** Además de datos dependientes del tiempo, `TimeSeries` también puede contener
datos estáticos para cada dimensión, que pueden ser aprovechados por algunos modelos.
* **Reconciliación Jerárquica:** Darts ofrece transformadores para realizar reconciliación.
Estos pueden hacer que los pronósticos cuadren de una manera que respete la jerarquía subyacente.
* **Modelos de Regresión:** Es posible conectar cualquier modelo compatible con scikit-learn
para obtener pronósticos como funciones de valores rezagados de la serie objetivo y las covariables.
* **Entrenamiento con Pesos de Muestra:** Todos los modelos globales admiten ser entrenados con pesos de muestra. Se pueden
aplicar a cada observación, paso de tiempo pronosticado y columna objetivo.
* **Desplazamiento del Inicio del Pronóstico:** Todos los modelos globales admiten entrenamiento y predicción en una ventana de salida desplazada.
Esto es útil, por ejemplo, para pronósticos del Mercado del Día Anterior, o cuando las covariables (o la serie objetivo) se reportan
con un retraso.
* **Explicabilidad:** Darts tiene la capacidad de *explicar* algunos modelos de pronóstico utilizando valores SHAP.
* **Procesamiento de Datos:** Herramientas para aplicar (y revertir) fácilmente transformaciones comunes en
datos de series temporales (escalado, relleno de valores faltantes, diferenciación, boxcox, ...)
* **Métricas:** Una variedad de métricas para evaluar la bondad de ajuste de series temporales;
desde puntuaciones R2 hasta el Error Absoluto Escalado Medio.
* **Backtesting:** Utilidades para simular pronósticos históricos, utilizando ventanas de tiempo móviles.
* **Soporte de PyTorch Lightning:** Todos los modelos de aprendizaje profundo están implementados usando PyTorch Lightning,
admitiendo, entre otras cosas, callbacks personalizados, entrenamiento en GPUs/TPUs y entrenadores personalizados.
* **Integración con MLflow:** Integración con MLflow para el seguimiento, comparación y persistencia automatizados
de experimentos de modelos de pronóstico de Darts. Consulte el [notebook de inicio rápido de MLflow](https://unit8co.github.io/darts/examples/29-MLflow-examples.html) para ver ejemplos.
* **Modelos de Filtrado:** Darts ofrece tres modelos de filtrado: `KalmanFilter`, `GaussianProcessFilter`,
y `MovingAverageFilter`, que permiten filtrar series temporales y, en algunos casos, obtener inferencias
probabilísticas de los estados/valores subyacentes.
* **Conjuntos de Datos** El submódulo `darts.datasets` contiene algunos conjuntos de datos de series temporales populares para experimentación
rápida y reproducible.
* **Compatibilidad con Múltiples Backends:** Los objetos `TimeSeries` pueden crearse a partir de y exportarse a varios backends como pandas, polars, numpy, pyarrow, xarray, y más, facilitando la integración perfecta con diferentes bibliotecas de procesamiento de datos.
## Modelos de Pronóstico
A continuación se presenta un desglose de los modelos de pronóstico implementados actualmente en Darts. Nuestra suite incluye tanto modelos de regresión como de clasificación, cada uno adaptado para tareas de pronóstico específicas. Estamos comprometidos a ampliar nuestra oferta con nuevos modelos y características para mejorar sus capacidades de pronóstico.
**Modelos de Regresión:** Nuestros modelos de regresión están diseñados para predecir valores numéricos continuos, lo que los hace ideales para pronosticar tendencias y patrones futuros en datos de series temporales. Utilice estos modelos para obtener información sobre posibles resultados futuros basados en datos históricos.
| Model | Sources | Target Series Support:<br/><br/>Univariate/<br/>Multivariate | Covariates Support:<br/><br/>Past-observed/<br/>Future-known/<br/>Static | Probabilistic Forecasting:<br/><br/>Sampled/<br/>Distribution Parameters | Training & Forecasting on Multiple Series |
|--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|--------------------------------------------------------------|--------------------------------------------------------------------------|--------------------------------------------------------------------------|-------------------------------------------|
| **Modelos Baseline**<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) | | ✅ ✅ | 🔴 🔴 🔴 | 🔴 🔴 | 🔴 |
| **Modelos Estadísticos / Clásicos**<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) y [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 source](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 repo](https://github.com/facebook/prophet) | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ 🔴 | 🔴 |
| [FFT](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.fft.html#darts.models.forecasting.fft.FFT) (Fast Fourier Transform) | | ✅ 🔴 | 🔴 🔴 🔴 | 🔴 🔴 | 🔴 |
| [KalmanForecaster](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.kalman_forecaster.html#darts.models.forecasting.kalman_forecaster.KalmanForecaster) usando el filtro de Kalman y N4SID para identificación de sistemas | [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) | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
| método [Croston](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.sf_croston.html#darts.models.forecasting.sf_croston.Croston) | | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
| [StatsForecastModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.sf_model.html#darts.models.forecasting.sf_model.StatsForecastModel) wrapper alrededor de cualquier modelo [StatsForecast](https://nixtlaverse.nixtla.io/statsforecast/index.html#models) | [Nixtla's 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) | [Nixtla's 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) | [Nixtla's 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) | [Nixtla's 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) | [Nixtla's 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) | [Nixtla's 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) | [Nixtla's statsforecast](https://github.com/Nixtla/statsforecast) | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
---
[Read more](https://github.com/unit8co/darts)