
Une bibliothèque Python pour la prévision conviviale et la détection d'anomalies sur les séries temporelles.
# Séries Temporelles Simplifiées 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** est une bibliothèque Python pour la prévision et la détection d'anomalies conviviales
sur les séries temporelles. Elle contient une variété de modèles, des classiques tels que ARIMA aux
réseaux de neurones profonds. Les modèles de prévision peuvent tous être utilisés de la même manière,
en utilisant les fonctions `fit()` et `predict()`, de manière similaire à scikit-learn.
La bibliothèque facilite également le backtesting des modèles,
la combinaison des prédictions de plusieurs modèles, et la prise en compte de données externes.
Darts prend en charge les séries temporelles et les modèles univariés et multivariés.
Les modèles basés sur l'apprentissage automatique peuvent être entraînés sur des ensembles de données potentiellement volumineux contenant plusieurs séries
temporelles, et certains des modèles offrent un riche support pour la prévision probabiliste.
Darts offre également des capacités étendues de détection d'anomalies.
Par exemple, il est trivial d'appliquer des modèles PyOD sur des séries temporelles pour obtenir des scores d'anomalie,
ou d'envelopper n'importe lequel des modèles de prévision ou de filtrage de Darts pour obtenir des modèles
de détection d'anomalies à part entière.
## Documentation
* [Démarrage rapide](https://unit8co.github.io/darts/quickstart/00-quickstart.html)
* [Guide de l'utilisateur](https://unit8co.github.io/darts/userguide.html)
* [Référence API](https://unit8co.github.io/darts/generated_api/darts.html)
* [Exemples](https://unit8co.github.io/darts/examples.html)
### Introductions de haut niveau
* [Article de blog d'introduction](https://medium.com/unit8-machine-learning-publication/darts-time-series-made-easy-in-python-5ac2947a8878)
* [Vidéo d'introduction (25 minutes)](https://youtu.be/g6OXDnXEtFA)
### Articles sur des sujets sélectionnés
* [Entraîner des modèles sur plusieurs séries temporelles](https://medium.com/unit8-machine-learning-publication/training-forecasting-models-on-multiple-time-series-with-darts-dc4be70b1844)
* [Utiliser des covariables passées et futures](https://medium.com/unit8-machine-learning-publication/time-series-forecasting-using-past-and-future-external-data-with-darts-1f0539585993)
* [Réseaux convolutifs temporels et prévision](https://medium.com/unit8-machine-learning-publication/temporal-convolutional-networks-and-forecasting-5ce1b6e97ce4)
* [Prévision probabiliste](https://medium.com/unit8-machine-learning-publication/probabilistic-forecasting-in-darts-e88fbe83344e)
* [Apprentissage par transfert pour la prévision de séries temporelles](https://medium.com/unit8-machine-learning-publication/transfer-learning-for-time-series-forecasting-87f39e375278)
* [Réconciliation de prévisions hiérarchiques](https://medium.com/unit8-machine-learning-publication/hierarchical-forecast-reconciliation-with-darts-8b4b058bb543)
## Installation rapide
Nous recommandons de configurer d'abord un environnement Python propre pour votre projet avec Python 3.11+ en utilisant votre outil préféré
([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/) avec
ou sans [virtualenvwrapper](https://virtualenvwrapper.readthedocs.io/en/latest/)).
Une fois votre environnement configuré, vous pouvez installer darts en utilisant pip :
pip install darts
Pour plus de détails, vous pouvez vous référer à nos
[instructions d'installation](https://github.com/unit8co/darts/blob/master/INSTALL.md).
## Exemple d'utilisation
### Prévision
Créez un objet `TimeSeries` à partir d'un DataFrame Pandas, et divisez-le en séries d'entraînement/validation :
```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:]
```
Ajustez un modèle de lissage exponentiel et effectuez une prédiction (probabiliste) sur la durée de la série de validation :
```python
from darts.models import ExponentialSmoothing
model = ExponentialSmoothing()
model.fit(train)
prediction = model.predict(len(val), num_samples=1000)
```
Tracez la médiane, les 5e et 95e percentiles :
```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="exemple de prévision darts" />
</div>
### Détection d'anomalies
Chargez une série multivariée, tronquez-la, conservez 2 composantes, divisez les ensembles d'entraînement et de validation :
```python
from darts.datasets import ETTh2Dataset
series = ETTh2Dataset().load()[:10000][["MUFL", "LULL"]]
train, val = series.split_before(0.6)
```
Construisez un scoreur d'anomalies k-means, entraînez-le sur l'ensemble d'entraînement
et utilisez-le sur l'ensemble de validation pour obtenir des scores d'anomalie :
```python
from darts.ad import KMeansScorer
scorer = KMeansScorer(k=2, window=5)
scorer.fit(train)
anom_score = scorer.score(val)
```
Construisez un détecteur d'anomalies binaires et entraînez-le sur les scores d'entraînement,
puis utilisez-le sur les scores de validation pour obtenir une classification binaire des anomalies :
```python
from darts.ad import QuantileDetector
detector = QuantileDetector(high_quantile=0.99)
detector.fit(scorer.score(train))
binary_anom = detector.detect(anom_score)
```
Tracé (décalage et mise à l'échelle de certaines séries
pour que tout apparaisse sur la même figure) :
```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="exemple de détection d'anomalies avec darts" />
</div>
## Fonctionnalités
* **Modèles de prévision :** Une vaste collection de modèles de prévision pour les tâches de régression ainsi que de classification ; des modèles statistiques (tels que
ARIMA) aux modèles d'apprentissage profond (tels que N-BEATS). Voir les [modèles de prévision](#forecasting-models) ci-dessous.
* **Détection d'anomalies** Le module `darts.ad` contient une collection de scoreurs d'anomalies,
détecteurs et agrégateurs, qui peuvent tous être combinés pour détecter des anomalies dans les séries temporelles.
Il est facile d'encapsuler n'importe lequel des modèles de prévision ou de filtrage de Darts pour construire
un modèle de détection d'anomalies complet qui compare les prédictions aux valeurs réelles.
Le `PyODScorer` permet d'utiliser trivialement les détecteurs PyOD sur des séries temporelles.
* **Prise en charge multivariée :** `TimeSeries` peut être multivarié - c'est-à-dire contenir plusieurs
dimensions/colonnes variant dans le temps au lieu d'une seule valeur scalaire. De nombreux modèles peuvent consommer et produire des séries multivariées.
* **Entraînement sur plusieurs séries (modèles globaux) :** Tous les modèles basés sur l'apprentissage automatique (y compris tous les réseaux de neurones)
peuvent être entraînés sur plusieurs séries (potentiellement multivariées). Cela peut également passer à l'échelle sur de grands ensembles de données.
* **Prise en charge probabiliste :** Les objets `TimeSeries` peuvent (en option) représenter des
séries temporelles stochastiques ; cela peut par exemple être utilisé pour obtenir des intervalles de confiance, et de nombreux modèles prennent en charge différentes
variantes de prévision probabiliste (telles que l'estimation de distributions paramétriques ou de quantiles).
Certains scoreurs de détection d'anomalies sont également capables d'exploiter ces distributions prédictives.
* **Prise en charge de la prédiction conforme :** Nos modèles de prédiction conforme permettent de générer des prévisions probabilistes avec
des intervalles quantiles calibrés pour tout modèle de prévision global pré-entraîné.
* **Prise en charge des covariables passées et futures :** De nombreux modèles de Darts prennent en charge les séries temporelles de covariables
observées dans le passé et/ou connues dans le futur (données externes) comme entrées pour produire des prévisions.
* **Prise en charge des covariables statiques :** En plus des données dépendant du temps, `TimeSeries` peut également contenir
des données statiques pour chaque dimension, qui peuvent être exploitées par certains modèles.
* **Réconciliation hiérarchique :** Darts propose des transformateurs pour effectuer la réconciliation.
Ceux-ci peuvent faire en sorte que les prévisions s'additionnent d'une manière qui respecte la hiérarchie sous-jacente.
* **Modèles de régression :** Il est possible d'intégrer n'importe quel modèle compatible avec scikit-learn
pour obtenir des prévisions en fonction des valeurs décalées de la série cible et des covariables.
* **Entraînement avec pondérations d'échantillons :** Tous les modèles globaux peuvent être entraînés avec des pondérations d'échantillons. Elles peuvent être
appliquées à chaque observation, pas de temps prévu et colonne cible.
* **Décalage du début de prévision :** Tous les modèles globaux prennent en charge l'entraînement et la prédiction sur une fenêtre de sortie décalée.
Cela est utile par exemple pour les prévisions du marché Day-Ahead, ou lorsque les covariables (ou la série cible) sont rapportées
avec un retard.
* **Explicabilité :** Darts a la capacité d'*expliquer* certains modèles de prévision à l'aide des valeurs SHAP.
* **Traitement des données :** Des outils pour appliquer (et annuler) facilement les transformations courantes sur
les données de séries temporelles (mise à l'échelle, remplissage des valeurs manquantes, différenciation, boxcox, ...)
* **Métriques :** Une variété de métriques pour évaluer la qualité d'ajustement des séries temporelles ;
des scores R2 à l'erreur absolue moyenne mise à l'échelle.
* **Backtesting :** Des utilitaires pour simuler des prévisions historiques, en utilisant des fenêtres temporelles glissantes.
* **Prise en charge de PyTorch Lightning :** Tous les modèles d'apprentissage profond sont implémentés à l'aide de PyTorch Lightning,
prenant en charge entre autres les callbacks personnalisés, l'entraînement sur GPU/TPU et les entraîneurs personnalisés.
* **Intégration MLflow :** Intégration avec MLflow pour le suivi automatisé, la comparaison et la persistance
des expériences de modèles de prévision Darts. Voir le [notebook de démarrage rapide MLflow](https://unit8co.github.io/darts/examples/29-MLflow-examples.html) pour des exemples.
* **Modèles de filtrage :** Darts propose trois modèles de filtrage : `KalmanFilter`, `GaussianProcessFilter`,
et `MovingAverageFilter`, qui permettent de filtrer les séries temporelles, et dans certains cas d'obtenir des
inférences probabilistes des états/valeurs sous-jacents.
* **Ensembles de données** Le sous-module `darts.datasets` contient quelques ensembles de données de séries temporelles populaires pour une expérimentation
rapide et reproductible.
* **Compatibilité avec plusieurs backends :** Les objets `TimeSeries` peuvent être créés à partir de et exportés vers divers backends tels que pandas, polars, numpy, pyarrow, xarray, et plus encore, facilitant une intégration transparente avec différentes bibliothèques de traitement de données.
## Modèles de prévision
Voici un aperçu des modèles de prévision actuellement implémentés dans Darts. Notre suite comprend à la fois des modèles de régression et de classification, chacun adapté à des tâches de prévision spécifiques. Nous nous engageons à enrichir notre offre avec de nouveaux modèles et fonctionnalités pour améliorer vos capacités de prévision.
**Modèles de régression :** Nos modèles de régression sont conçus pour prédire des valeurs numériques continues, ce qui les rend idéaux pour prévoir les tendances et les motifs futurs dans les données de séries temporelles. Utilisez ces modèles pour obtenir des informations sur les résultats futurs potentiels à partir des données historiques.
| Modèle | Sources | Prise en charge des séries cibles :<br/><br/>Univariées/<br/>Multivariées | Prise en charge des covariables :<br/><br/>Passées observées/<br/>Futures connues/<br/>Statiques | Prévision probabiliste :<br/><br/>Échantillonnée/<br/>Paramètres de distribution | Entraînement et prévision sur plusieurs séries |
|--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|--------------------------------------------------------------|--------------------------------------------------------------------------|--------------------------------------------------------------------------|-------------------------------------------|
| **Modèles de référence**<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) | | ✅ ✅ | 🔴 🔴 🔴 | 🔴 🔴 | 🔴 |
| **Modèles statistiques / classiques**<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) et [FourTheta](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.theta.html#darts.models.forecasting.theta.FourTheta) | [Article Theta](https://robjhyndman.com/papers/Theta.pdf) et [source 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) | [Dépôt Prophet](https://github.com/facebook/prophet) | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ 🔴 | 🔴 |
| [FFT](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.fft.html#darts.models.forecasting.fft.FFT) (Transformée de Fourier rapide) | | ✅ 🔴 | 🔴 🔴 🔴 | 🔴 🔴 | 🔴 |
| [KalmanForecaster](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.kalman_forecaster.html#darts.models.forecasting.kalman_forecaster.KalmanForecaster) utilisant le filtre de Kalman et N4SID pour l'identification du système | [Article 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) | [Article TBATS](https://robjhyndman.com/papers/ComplexSeasonality.pdf) | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
| méthode [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 autour de tout modèle [StatsForecast](https://nixtlaverse.nixtla.io/statsforecast/index.html#models) | [statsforecast de 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 de 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 de 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 de 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 de 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 de Nixtla](https://github.com/Nixtla/statsforecast) | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
---
[Read more](https://github.com/unit8co/darts)