पायथन में टाइम सीरीज़ आसान बनाई गई

GitHub Release Date GitHub Workflow Status

Darts समय श्रृंखला पर उपयोगकर्ता-अनुकूल पूर्वानुमान और विसंगति पहचान के लिए एक पायथन लाइब्रेरी है। इसमें ARIMA जैसे क्लासिक मॉडल से लेकर गहरे तंत्रिका नेटवर्क तक विभिन्न प्रकार के मॉडल शामिल हैं। सभी पूर्वानुमान मॉडलों का उपयोग एक ही तरह से किया जा सकता है, scikit-learn के समान fit() और predict() फ़ंक्शन का उपयोग करके। लाइब्रेरी मॉडलों का बैकटेस्ट करना, कई मॉडलों की भविष्यवाणियों को संयोजित करना और बाहरी डेटा को ध्यान में रखना भी आसान बनाती है। Darts यूनीवेरिएट और मल्टीवेरिएट समय श्रृंखला और मॉडल दोनों का समर्थन करता है। ML-आधारित मॉडलों को कई समय श्रृंखलाओं वाले संभावित रूप से बड़े डेटासेट पर प्रशिक्षित किया जा सकता है, और कुछ मॉडल संभाव्य पूर्वानुमान के लिए समृद्ध समर्थन प्रदान करते हैं।

Darts व्यापक विसंगति पहचान क्षमताएँ भी प्रदान करता है। उदाहरण के लिए, विसंगति स्कोर प्राप्त करने के लिए समय श्रृंखला पर PyOD मॉडल लागू करना, या पूर्ण विकसित विसंगति पहचान मॉडल प्राप्त करने के लिए Darts के किसी भी पूर्वानुमान या फ़िल्टरिंग मॉडल को लपेटना आसान है।

दस्तावेज़ीकरण

उच्च-स्तरीय परिचय

चयनित विषयों पर लेख

त्वरित इंस्टॉल

हम अनुशंसा करते हैं कि आप अपने प्रोजेक्ट के लिए Python 3.10+ के साथ अपने पसंदीदा टूल का उपयोग करके पहले एक स्वच्छ Python वातावरण सेट करें (conda, venv, virtualenv वैकल्पिक रूप से virtualenvwrapper के साथ या बिना)।

एक बार आपका वातावरण सेट हो जाने पर आप pip का उपयोग करके darts इंस्टॉल कर सकते हैं:

pip install darts

अधिक विवरण के लिए आप हमारे इंस्टॉलेशन निर्देश देख सकते हैं।

उदाहरण उपयोग

पूर्वानुमान

Pandas DataFrame से एक TimeSeries ऑब्जेक्ट बनाएँ, और इसे प्रशिक्षण/सत्यापन श्रृंखला में विभाजित करें:```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:]

एक एक्सपोनेंशियल स्मूथिंग मॉडल फ़िट करें, और वैलिडेशन श्रृंखला की अवधि के लिए एक (संभाव्य) भविष्यवाणी करें:```python
from darts.models import ExponentialSmoothing

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

माध्यिका, 5वें और 95वें प्रतिशतक को प्लॉट करें:```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 पूर्वानुमान उदाहरण" />
</div>

### विसंगति पहचान

एक बहुचर श्रृंखला लोड करें, इसे ट्रिम करें, 2 घटक रखें, प्रशिक्षण और सत्यापन सेट में विभाजित करें:```python
from darts.datasets import ETTh2Dataset

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

k-means एनोमली स्कोरर बनाएँ, इसे train set पर प्रशिक्षित करें और anomaly scores प्राप्त करने के लिए validation set पर उपयोग करें:```python from darts.ad import KMeansScorer

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

एक बाइनरी विसंगति डिटेक्टर बनाएँ और इसे ट्रेन स्कोर पर प्रशिक्षित करें, फिर बाइनरी विसंगति वर्गीकरण प्राप्त करने के लिए इसे वैलिडेशन स्कोर पर उपयोग करें:```python
from darts.ad import QuantileDetector

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

प्लॉट (कुछ श्रृंखलाओं को स्थानांतरित और स्केल करके ताकि सब कुछ एक ही फिगर पर दिखाई दे):```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 असामान्यता का पता लगाने का उदाहरण" />
</div>


## विशेषताएँ
* **पूर्वानुमान मॉडल:** प्रतिगमन के साथ-साथ वर्गीकरण कार्यों के लिए पूर्वानुमान मॉडलों का एक बड़ा संग्रह; सांख्यिकीय मॉडलों (जैसे
  ARIMA) से लेकर गहन शिक्षण मॉडलों (जैसे N-BEATS) तक। नीचे [पूर्वानुमान मॉडल](#forecasting-models) देखें।

* **असामान्यता का पता लगाना:** `darts.ad` मॉड्यूल में असामान्यता स्कोरर, डिटेक्टर और एग्रीगेटर का संग्रह है,
  जिन्हें समय श्रृंखला में असामान्यताओं का पता लगाने के लिए संयोजित किया जा सकता है।
  किसी भी Darts पूर्वानुमान या फ़िल्टरिंग मॉडल को लपेटकर एक पूर्ण असामान्यता का पता लगाने वाला मॉडल बनाना आसान है
  जो पूर्वानुमानों की तुलना वास्तविक मानों से करता है।
  `PyODScorer` समय श्रृंखला पर PyOD डिटेक्टरों का उपयोग करना बेहद आसान बनाता है।

* **बहुचर समर्थन:** `TimeSeries` बहुचर हो सकती है - अर्थात, एकल स्केलर मान के बजाय कई समय-भिन्न
  आयाम/कॉलम शामिल कर सकती है। कई मॉडल बहुचर श्रृंखला का उपभोग और निर्माण कर सकते हैं।

* **एकाधिक श्रृंखला प्रशिक्षण (वैश्विक मॉडल):** सभी मशीन लर्निंग आधारित मॉडल (सभी तंत्रिका नेटवर्क सहित)
  कई (संभावित रूप से बहुचर) श्रृंखलाओं पर प्रशिक्षित होने का समर्थन करते हैं। यह बड़े डेटासेट तक भी विस्तारित हो सकता है।

* **संभाव्य समर्थन:** `TimeSeries` ऑब्जेक्ट (वैकल्पिक रूप से) स्टोकेस्टिक समय श्रृंखला का
  प्रतिनिधित्व कर सकते हैं; उदाहरण के लिए इसका उपयोग विश्वास अंतराल प्राप्त करने के लिए किया जा सकता है, और कई मॉडल संभाव्य
  पूर्वानुमान के विभिन्न रूपों का समर्थन करते हैं (जैसे पैरामीट्रिक वितरण या क्वांटाइल का अनुमान लगाना)।
  कुछ असामान्यता का पता लगाने वाले स्कोरर भी इन भविष्य कहनेवाला वितरणों का लाभ उठाने में सक्षम हैं।

* **अनुरूप भविष्यवाणी समर्थन:** हमारे अनुरूप भविष्यवाणी मॉडल किसी भी पूर्व-प्रशिक्षित वैश्विक पूर्वानुमान मॉडल के लिए
  कैलिब्रेटेड क्वांटाइल अंतराल के साथ संभाव्य पूर्वानुमान उत्पन्न करने की अनुमति देते हैं।

* **पिछले और भविष्य के सहचर समर्थन:** Darts में कई मॉडल पूर्वानुमान उत्पन्न करने के लिए इनपुट के रूप में पिछले-अवलोकित और/या भविष्य-ज्ञात
  सहचर (बाहरी डेटा) समय श्रृंखला का समर्थन करते हैं।

* **स्थैतिक सहचर समर्थन:** समय-निर्भर डेटा के अतिरिक्त, `TimeSeries` प्रत्येक आयाम के लिए
  स्थैतिक डेटा भी शामिल कर सकती है, जिसका उपयोग कुछ मॉडल कर सकते हैं।

* **पदानुक्रमिक समाधान:** Darts समाधान करने के लिए ट्रांसफॉर्मर प्रदान करता है।
  ये सुनिश्चित कर सकते हैं कि पूर्वानुमान इस प्रकार जुड़ें कि अंतर्निहित पदानुक्रम का सम्मान हो।

* **प्रतिगमन मॉडल:** लक्ष्य श्रृंखला और सहचरों के अंतराल मानों के फलन के रूप में पूर्वानुमान प्राप्त करने के लिए
  किसी भी scikit-learn संगत मॉडल को प्लग-इन करना संभव है।

* **नमूना भार के साथ प्रशिक्षण:** सभी वैश्विक मॉडल नमूना भार के साथ प्रशिक्षित होने का समर्थन करते हैं। उन्हें
  प्रत्येक अवलोकन, पूर्वानुमानित समय चरण और लक्ष्य कॉलम पर लागू किया जा सकता है।

* **पूर्वानुमान प्रारंभ स्थानांतरण:** सभी वैश्विक मॉडल स्थानांतरित आउटपुट विंडो पर प्रशिक्षण और भविष्यवाणी का समर्थन करते हैं।
  यह उदाहरण के लिए डे-अहेड मार्केट पूर्वानुमानों के लिए, या जब सहचर (या लक्ष्य श्रृंखला) विलंब के साथ रिपोर्ट की जाती है, उपयोगी है।

* **व्याख्यात्मकता:** Darts में SHAP मानों का उपयोग करके कुछ पूर्वानुमान मॉडलों को *समझाने* की क्षमता है।

* **डेटा प्रोसेसिंग:** समय श्रृंखला डेटा पर सामान्य परिवर्तन लागू करने (और वापस लाने) के लिए उपकरण
  (स्केलिंग, लुप्त मान भरना, डिफरेंसिंग, बॉक्सकॉक्स, ...)

* **मेट्रिक्स:** समय श्रृंखला की फिट की अच्छाई का मूल्यांकन करने के लिए विभिन्न प्रकार के मेट्रिक्स;
  R2-स्कोर से लेकर मीन एब्सोल्यूट स्केल्ड एरर तक।

* **बैकटेस्टिंग:** चलती समय विंडो का उपयोग करके ऐतिहासिक पूर्वानुमानों का अनुकरण करने के लिए उपयोगिताएँ।

* **PyTorch Lightning समर्थन:** सभी गहन शिक्षण मॉडल PyTorch Lightning का उपयोग करके कार्यान्वित किए जाते हैं,
  जो अन्य चीजों के अलावा कस्टम कॉलबैक, GPU/TPU प्रशिक्षण और कस्टम ट्रेनर का समर्थन करते हैं।

* **फ़िल्टरिंग मॉडल:** Darts तीन फ़िल्टरिंग मॉडल प्रदान करता है: `KalmanFilter`, `GaussianProcessFilter`,
  और `MovingAverageFilter`, जो समय श्रृंखला को फ़िल्टर करने की अनुमति देते हैं, और कुछ मामलों में अंतर्निहित
  अवस्थाओं/मानों के संभाव्य अनुमान प्राप्त करने की अनुमति देते हैं।

* **डेटासेट:** `darts.datasets` सबमॉड्यूल में तीव्र और प्रतिलिपि प्रस्तुत करने योग्य प्रयोगों के लिए
  कुछ लोकप्रिय समय श्रृंखला डेटासेट शामिल हैं।

* **एकाधिक बैकएंड के साथ संगतता:** `TimeSeries` ऑब्जेक्ट pandas, polars, numpy, pyarrow, xarray और अन्य जैसे विभिन्न बैकएंड से बनाए और निर्यात किए जा सकते हैं, जिससे विभिन्न डेटा प्रोसेसिंग लाइब्रेरीज़ के साथ सहज एकीकरण की सुविधा मिलती है।

## पूर्वानुमान मॉडल
यहाँ Darts में वर्तमान में लागू पूर्वानुमान मॉडलों का विवरण दिया गया है। हमारे सुइट में प्रतिगमन और वर्गीकरण दोनों मॉडल शामिल हैं, जिनमें से प्रत्येक विशिष्ट पूर्वानुमान कार्यों के लिए तैयार किया गया है। हम नए मॉडलों और सुविधाओं के साथ अपनी पेशकशों का विस्तार करने के लिए प्रतिबद्ध हैं ताकि आपकी पूर्वानुमान क्षमताओं को बढ़ाया जा सके।

**प्रतिगमन मॉडल:** हमारे प्रतिगमन मॉडल निरंतर संख्यात्मक मानों की भविष्यवाणी करने के लिए डिज़ाइन किए गए हैं, जो उन्हें समय श्रृंखला डेटा में भविष्य के रुझानों और पैटर्न की भविष्यवाणी के लिए आदर्श बनाता है। ऐतिहासिक डेटा के आधार पर संभावित भविष्य के परिणामों में अंतर्दृष्टि प्राप्त करने के लिए इन मॉडलों का उपयोग करें।| मॉडल | स्रोत | लक्ष्य श्रृंखला समर्थन:<br/><br/>एकचर/<br/>बहुचर | सहचर समर्थन:<br/><br/>पूर्व-अवलोकित/<br/>भविष्य-ज्ञात/<br/>स्थैतिक | संभाव्य पूर्वानुमान:<br/><br/>नमूना-आधारित/<br/>वितरण पैरामीटर | एकाधिक श्रृंखलाओं पर प्रशिक्षण और पूर्वानुमान |
|--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|--------------------------------------------------------------|--------------------------------------------------------------------------|--------------------------------------------------------------------------|-------------------------------------------|
| **बेसलाइन मॉडल**<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) | | ✅ ✅ | 🔴 🔴 🔴 | 🔴 🔴 | 🔴 |
| **सांख्यिकीय / क्लासिक मॉडल**<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) और [FourTheta](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.theta.html#darts.models.forecasting.theta.FourTheta) | [Theta पेपर](https://robjhyndman.com/papers/Theta.pdf) और [4 Theta स्रोत](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 रिपॉजिटरी](https://github.com/facebook/prophet) | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ 🔴 | 🔴 |
| [FFT](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.fft.html#darts.models.forecasting.fft.FFT) (फास्ट फूरियर ट्रांसफॉर्म) | | ✅ 🔴 | 🔴 🔴 🔴 | 🔴 🔴 | 🔴 |
| [KalmanForecaster](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.kalman_forecaster.html#darts.models.forecasting.kalman_forecaster.KalmanForecaster) सिस्टम पहचान के लिए कलमन फ़िल्टर और N4SID का उपयोग करते हुए | [N4SID पेपर](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 पेपर](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) विधि | | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
| [StatsForecastModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.sf_model.html#darts.models.forecasting.sf_model.StatsForecastModel) किसी भी [StatsForecast](https://nixtlaverse.nixtla.io/statsforecast/index.html#models) मॉडल के लिए रैपर | [Nixtla का 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 का 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 का 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 का 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 का 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 का 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 का statsforecast](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) | | ✅ ✅ | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
| **ग्लोबल बेसलाइन मॉडल**<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) | | ✅ ✅ | 🔴 🔴 🔴 | 🔴 🔴 | ✅ |
| **रिग्रेशन मॉडल**<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): किसी भी scikit-learn-जैसे रिग्रेशन मॉडल के लिए रैपर | | ✅ ✅ | ✅ ✅ ✅ | 🔴 🔴 | ✅ |
| [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)-आधारित मॉडल**<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) (LSTM और GRU सहित); अपने संभाव्य संस्करण में DeepAR के समकक्ष | [DeepAR पेपर](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) (LSTM और GRU सहित) | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| [NBEATSModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.nbeats.html#darts.models.forecasting.nbeats.NBEATSModel) | [N-BEATS पेपर](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 पेपर](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 पेपर](https://arxiv.org/abs/1803.01271), [DeepTCN पेपर](https://arxiv.org/abs/1906.04397), [ब्लॉग पोस्ट](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) (टेम्पोरल फ़्यूज़न ट्रांसफॉर्मर) | [TFT पेपर](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 पेपर](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 पेपर](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 पेपर](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 पेपर](https://arxiv.org/pdf/2303.06053.pdf), [PyTorch कार्यान्वयन](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):  किसी भी [NeuralForecast](https://nixtlaverse.nixtla.io/neuralforecast/docs/capabilities/overview.html) बेस मॉडल के लिए रैपर | [NeuralForecast दस्तावेज़ीकरण](https://nixtlaverse.nixtla.io/neuralforecast/docs/) | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| **फाउंडेशन मॉडल**<br/>([GlobalForecastingModel](https://unit8co.github.io/darts/userguide/covariates.html#global-forecasting-models-gfms)): कोई प्रशिक्षण आवश्यक नहीं | | | | | |
| [Chronos2Model](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.chronos2_model.html#darts.models.forecasting.chronos2_model.Chronos2Model) | [Chronos-2 रिपोर्ट](https://arxiv.org/abs/2510.15821), [Amazon ब्लॉग पोस्ट](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 पेपर](https://arxiv.org/abs/2310.10688), [Google ब्लॉग पोस्ट](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 पेपर](https://arxiv.org/abs/2505.23719), [TiRex 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 पेपर](https://arxiv.org/abs/2602.06909), [PatchTST-FM GitHub](https://github.com/ibm-granite/granite-tsfm) | ✅ ✅ | 🔴 🔴 🔴 | ✅ ✅ | ✅ |
| **एन्सेम्बल मॉडल**<br/>([GlobalForecastingModel](https://unit8co.github.io/darts/userguide/covariates.html#global-forecasting-models-gfms)): मॉडल समर्थन एन्सेम्बल किए गए पूर्वानुमान मॉडलों और स्वयं एन्सेम्बल मॉडल पर निर्भर करता है | | | | | |
| [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) | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| **कन्फॉर्मल मॉडल**<br/>([GlobalForecastingModel](https://unit8co.github.io/darts/userguide/covariates.html#global-forecasting-models-gfms)): मॉडल समर्थन उपयोग किए गए पूर्वानुमान मॉडल पर निर्भर करता है | | | | | |
| [ConformalNaiveModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.conformal_models.html#darts.models.forecasting.conformal_models.ConformalNaiveModel) | [Conformalized Prediction](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) | [Conformalized Quantile Regression](https://arxiv.org/pdf/1905.03222) | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |**Classification Models:** Darts में वर्गीकरण मॉडल श्रेणीबद्ध (categorical) क्लास लेबल की भविष्यवाणी करने के लिए डिज़ाइन किए गए हैं, जिससे प्रभावी समय-श्रृंखला लेबलिंग और भविष्य के क्लास पूर्वानुमान संभव हो पाते हैं। ये मॉडल उन परिदृश्यों के लिए आदर्श हैं जहाँ समय के साथ अलग-अलग श्रेणियों या अवस्थाओं की पहचान करना महत्वपूर्ण होता है।


| मॉडल                                                                                                                                                                                                                                        | स्रोत | लक्ष्य श्रृंखला समर्थन:<br/><br/>एकल-चर/<br/>बहु-चर | सहचर समर्थन:<br/><br/>पिछला-अवलोकित/<br/>भविष्य-ज्ञात/<br/>स्थैतिक | संभाव्य पूर्वानुमान:<br/><br/>नमूना-आधारित/<br/>वितरण पैरामीटर | एकाधिक श्रृंखलाओं पर प्रशिक्षण और पूर्वानुमान |
|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|---------|--------------------------------------------------------------|--------------------------------------------------------------------------|--------------------------------------------------------------------------|-------------------------------------------|
| **प्रतिगमन मॉडल**<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): किसी भी scikit-learn-जैसे वर्गीकरण मॉडल के लिए रैपर |         | ✅ ✅                                                          | ✅ ✅ ✅                                                                    | ✅ ✅                                                                      | ✅                                         |
| [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)                                                                                |         | ✅ ✅                                                          | ✅ ✅ ✅                                                                    | ✅ ✅                                                                      | ✅                                         |

## समुदाय और संपर्क
हमारे [Gitter कक्ष](https://gitter.im/u8darts/darts) में शामिल होने के लिए सभी का स्वागत है, जहाँ आप प्रश्न पूछ सकते हैं, प्रस्ताव रख सकते हैं,
उपयोग-मामलों पर चर्चा कर सकते हैं, और भी बहुत कुछ। यदि आपको कोई बग मिले या सुझाव हों, तो GitHub issues का भी स्वागत है।

यदि आप जो बताना चाहते हैं वह Gitter या Github के लिए उपयुक्त नहीं है,
तो बेझिझक हमें darts से संबंधित मामलों के लिए <a href="mailto:[email protected]">[email protected]</a> पर
या किसी अन्य पूछताछ के लिए <a href="mailto:[email protected]">[email protected]</a> पर ईमेल भेजें।

## योगदान करें
विकास जारी है, और हम GitHub पर सुझावों, पुल अनुरोधों (pull requests) और issues का स्वागत करते हैं।
सभी योगदानकर्ताओं को
[परिवर्तन लॉग पृष्ठ](https://github.com/unit8co/darts/blob/master/CHANGELOG.md) पर श्रेय दिया जाएगा।

किसी योगदान (नई सुविधा या सुधार) पर काम करने से पहले,
[हमारे योगदान दिशानिर्देश देखें](https://github.com/unit8co/darts/blob/master/CONTRIBUTING.md)।

## उद्धरण
यदि आप अपने वैज्ञानिक कार्य में Darts का उपयोग कर रहे हैं, तो हम निम्नलिखित JMLR पेपर के उद्धरण की सराहना करेंगे।

[Darts: User-Friendly Modern Machine Learning for Time Series](https://www.jmlr.org/papers/v23/21-1177.html)

Bibtex प्रविष्टि (या सीधे GitHub की रिपॉज़िटरी साइटेशन से कॉपी करें):```
@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}
}

darts

सबसे लोकप्रिय