unit8co/dartsटाइम सीरीज़ पर उपयोगकर्ता-अनुकूल पूर्वानुमान और विसंगति पहचान के लिए एक python लाइब्रेरी।
Darts टाइम सीरीज़ पर उपयोगकर्ता-अनुकूल पूर्वानुमान (forecasting) और विसंगति पहचान (anomaly detection) के लिए एक पायथन लाइब्रेरी है। इसमें ARIMA जैसे क्लासिक मॉडल से लेकर गहरे तंत्रिका नेटवर्क तक, विभिन्न प्रकार के मॉडल शामिल हैं। पूर्वानुमान मॉडल सभी को एक ही तरीके से उपयोग किया जा सकता है, scikit-learn के समान fit() और predict() फ़ंक्शन का उपयोग करके। लाइब्रेरी मॉडलों का बैकटेस्ट (backtest) करना, कई मॉडलों की भविष्यवाणियों को संयोजित करना, और बाहरी डेटा को ध्यान में रखना भी आसान बनाती है। Darts यूनिवेरिएट (univariate) और मल्टीवेरिएट (multivariate) दोनों टाइम सीरीज़ और मॉडलों का समर्थन करता है। ML-आधारित मॉडलों को कई टाइम सीरीज़ वाले संभावित रूप से बड़े डेटासेट पर प्रशिक्षित किया जा सकता है, और कुछ मॉडल संभाव्य पूर्वानुमान (probabilistic forecasting) के लिए समृद्ध समर्थन प्रदान करते हैं।
Darts व्यापक विसंगति पहचान क्षमताएँ भी प्रदान करता है। उदाहरण के लिए, टाइम सीरीज़ पर विसंगति स्कोर प्राप्त करने के लिए PyOD मॉडल लागू करना, या पूर्ण रूप से विकसित विसंगति पहचान मॉडल प्राप्त करने के लिए Darts के किसी भी पूर्वानुमान या फ़िल्टरिंग मॉडल को लपेटना, तुच्छ (trivial) है।
हम अनुशंसा करते हैं कि आप अपने पसंदीदा टूल (conda, venv, virtualenv के साथ या virtualenvwrapper के बिना) का उपयोग करके अपने प्रोजेक्ट के लिए Python 3.10+ के साथ पहले एक स्वच्छ पायथन वातावरण स्थापित करें।
एक बार आपका वातावरण सेट हो जाने पर आप pip का उपयोग करके darts स्थापित कर सकते हैं:
pip install darts
अधिक विवरण के लिए आप हमारे स्थापना निर्देशों का संदर्भ ले सकते हैं।
Pandas DataFrame से एक TimeSeries ऑब्जेक्ट बनाएँ, और इसे ट्रेन/वैलिडेशन श्रृंखलाओं में विभाजित करें:```python
import pandas as pd
from darts import TimeSeries
df = pd.read_csv("AirPassengers.csv", delimiter=",")
series = TimeSeries.from_dataframe(df, "Month", "#Passengers")
train, val = series[:-36], series[-36:]
घातांकीय स्मूथिंग मॉडल फिट करें, और सत्यापन श्रृंखला की अवधि पर एक (संभाव्य) पूर्वानुमान लगाएं:```python
from darts.models import ExponentialSmoothing
model = ExponentialSmoothing()
model.fit(train)
prediction = model.predict(len(val), num_samples=1000)
माध्यिका, 5वाँ और 95वाँ प्रतिशतक 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 forecast example" />
</div>
### विसंगति का पता लगाना (Anomaly Detection)
एक बहु-चर (multivariate) श्रृंखला लोड करें, उसे ट्रिम करें, 2 घटक रखें, और प्रशिक्षण तथा सत्यापन सेट में विभाजित करें:```python
from darts.datasets import ETTh2Dataset
series = ETTh2Dataset().load()[:10000][["MUFL", "LULL"]]
train, val = series.split_before(0.6)
ट्रेन सेट पर k-means anomaly scorer बनाएं, उसे train करें और validation set पर उपयोग करके anomaly scores प्राप्त करें:```python from darts.ad import KMeansScorer
scorer = KMeansScorer(k=2, window=5) scorer.fit(train) anom_score = scorer.score(val)
बाइनरी विसंगति डिटेक्टर बनाएं और इसे ट्रेन स्कोर पर प्रशिक्षित करें,
फिर वैलिडेशन स्कोर पर इसका उपयोग करके बाइनरी विसंगति वर्गीकरण प्राप्त 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 शिफ्ट 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 anomaly detection example" />
</div>
## विशेषताएँ
* **पूर्वानुमान मॉडल:** प्रतिगमन (regression) के साथ-साथ वर्गीकरण (classification) कार्यों के लिए पूर्वानुमान मॉडलों का एक बड़ा संग्रह; सांख्यिकीय मॉडलों (जैसे
ARIMA) से लेकर डीप लर्निंग मॉडलों (जैसे N-BEATS) तक। नीचे [पूर्वानुमान मॉडल](#forecasting-models) देखें।
* **विसंगति पहचान (Anomaly Detection):** `darts.ad` मॉड्यूल में विसंगति स्कोरर्स (anomaly scorers),
डिटेक्टरों और एग्रीगेटर्स का संग्रह शामिल है, जिन्हें समय श्रृंखला में विसंगतियों का पता लगाने के लिए संयोजित किया जा सकता है।
किसी भी Darts पूर्वानुमान या फ़िल्टरिंग मॉडल को लपेटकर एक पूर्ण विसंगति पहचान मॉडल बनाना आसान है
जो पूर्वानुमानों की तुलना वास्तविक मानों से करता है।
`PyODScorer` समय श्रृंखला पर PyOD डिटेक्टरों का उपयोग करना सरल बनाता है।
* **बहुचर समर्थन (Multivariate Support):** `TimeSeries` बहुचर हो सकती है - अर्थात, एकल स्केलर मान के बजाय
कई समय-परिवर्तनीय आयाम/कॉलम शामिल कर सकती है। कई मॉडल बहुचर श्रृंखलाओं का उपभोग और निर्माण कर सकते हैं।
* **एकाधिक श्रृंखला प्रशिक्षण (वैश्विक मॉडल):** सभी मशीन लर्निंग आधारित मॉडल (सभी न्यूरल नेटवर्क सहित)
एकाधिक (संभावित रूप से बहुचर) श्रृंखलाओं पर प्रशिक्षित होने का समर्थन करते हैं। यह बड़े डेटासेट तक भी स्केल हो सकता है।
* **संभाव्य समर्थन (Probabilistic Support):** `TimeSeries` ऑब्जेक्ट (वैकल्पिक रूप से) स्टोकेस्टिक
समय श्रृंखलाओं का प्रतिनिधित्व कर सकते हैं; इसका उपयोग उदाहरण के लिए 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 विसंगति पहचान स्कोरर्स भी इन भविष्य कहने वाले वितरणों का लाभ उठाने में सक्षम हैं।
* **अनुरूप भविष्यवाणी समर्थन (Conformal Prediction Support):** 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 (Past and Future Covariates Support):** Darts में कई मॉडल पूर्वानुमान उत्पन्न करने के लिए इनपुट के रूप में
पिछले-अवलोकित और/या भविष्य-ज्ञात सहचर (बाहरी डेटा) समय श्रृंखलाओं का समर्थन करते हैं।
* **स्थैतिक सहचर समर्थन (Static Covariates Support):** समय-निर्भर डेटा के अतिरिक्त, `TimeSeries` प्रत्येक आयाम के लिए
स्थैतिक डेटा भी शामिल कर सकती है, जिसका कुछ मॉडलों द्वारा लाभ उठाया जा सकता है।
* **पदानुक्रमित समाधान (Hierarchical Reconciliation):** Darts समाधान करने के लिए ट्रांसफॉर्मर प्रदान करता है।
ये पूर्वानुमानों को इस तरह से जोड़ सकते हैं जो अंतर्निहित पदानुक्रम का सम्मान करता है।
* **प्रतिगमन मॉडल (Regression Models):** लक्ष्य श्रृंखला और सहचरों के लैग्ड मानों के कार्यों 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 (Training with Sample Weights):** सभी वैश्विक मॉडल नमूना भार के साथ प्रशिक्षित होने का समर्थन करते हैं। इन्हें
प्रत्येक अवलोकन, पूर्वानुमानित समय चरण और लक्ष्य कॉलम पर लागू किया जा सकता है।
* **पूर्वानुमान प्रारंभ स्थानांतरण (Forecast Start Shifting):** सभी वैश्विक मॉडल स्थानांतरित आउटपुट विंडो पर प्रशिक्षण और भविष्यवाणी का समर्थन करते हैं।
यह उदाहरण के लिए डे-अहेड मार्केट (Day-Ahead Market) पूर्वानुमानों के लिए, या जब सहचर (या लक्ष्य श्रृंखला) देरी से
रिपोर्ट किए जाते हैं, उपयोगी है।
* **व्याख्यात्मकता (Explainability):** Darts में SHAP मानों का उपयोग करके कुछ पूर्वानुमान मॉडलों को *समझाने* की क्षमता है।
* **डेटा प्रोसेसिंग:** समय श्रृंखला डेटा पर सामान्य परिवर्तनों को आसानी से लागू (और पूर्ववत) करने के लिए उपकरण
(स्केलिंग, लुप्त मान भरना, डिफरेंसिंग, boxcox, ...)
* **मेट्रिक्स:** समय श्रृंखला की फिट की गुणवत्ता 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 डीप लर्निंग मॉडल PyTorch Lightning का उपयोग करके लागू किए गए हैं,
जो अन्य चीजों के अलावा कस्टम कॉलबैक, GPU/TPU प्रशिक्षण और कस्टम ट्रेनर का समर्थन करते हैं।
* **MLflow एकीकरण:** Darts पूर्वानुमान मॉडल प्रयोगों के स्वचालित ट्रैकिंग, तुलना और स्थायीकरण के लिए
MLflow के साथ एकीकरण। उदाहरणों के लिए [MLflow क्विकस्टार्ट नोटबुक](https://unit8co.github.io/darts/examples/29-MLflow-examples.html) देखें।
* **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 करते हैं।
* **डेटासेट:** `darts.datasets` सबमॉड्यूल में तीव्र और प्रतिलिपि प्रस्तुत करने योग्य
प्रयोग के लिए कुछ लोकप्रिय समय श्रृंखला डेटासेट शामिल हैं।
* **एकाधिक बैकएंड के साथ संगतता:** `TimeSeries` ऑब्जेक्ट pandas, polars, numpy, pyarrow, xarray और अधिक जैसे विभिन्न बैकएंड से बनाए और निर्यात किए जा सकते हैं, जो विभिन्न डेटा प्रोसेसिंग लाइब्रेरीज़ के साथ सहज एकीकरण की सुविधा प्रदान करते हैं।
## पूर्वानुमान मॉडल
यहाँ Darts में वर्तमान में लागू पूर्वानुमान मॉडलों का विवरण दिया गया है। हमारे सूट में प्रतिगमन और वर्गीकरण दोनों मॉडल शामिल हैं, जिनमें से प्रत्येक विशिष्ट पूर्वानुमान कार्यों के लिए तैयार किया गया है। हम आपकी पूर्वानुमान क्षमताओं को बढ़ाने के लिए नए मॉडल और सुविधाओं के साथ अपनी पेशकशों का विस्तार करने के लिए प्रतिबद्ध हैं।
**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/>पिछला-अवलोकित/<br/>भविष्य-ज्ञात/<br/>स्थिर | संभाव्य पूर्वानुमान:<br/><br/>नमूना/<br/>वितरण पैरामीटर | एकाधिक श्रृंखलाओं पर प्रशिक्षण और पूर्वानुमान |
|--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|--------------------------------------------------------------|--------------------------------------------------------------------------|--------------------------------------------------------------------------|-------------------------------------------|
| **आधारभूत 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 / शास्त्रीय 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) जो सिस्टम पहचान के लिए कलमन फ़िल्टर और N4SID का उपयोग करता है | [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 आसपास 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) | | ✅ ✅ | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
| **वैश्विक आधारभूत 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) | | ✅ ✅ | 🔴 🔴 🔴 | 🔴 🔴 | ✅ |
| **प्रतिगमन 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 प्रतिगमन मॉडल के आसपास 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); इसके संभाव्य संस्करण में DeepAR के समतुल्य | [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 फ्यूज़न 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 आसपास 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 मॉडल और एन्सेम्बल मॉडल पर ही निर्भर 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 है | | | | | |
| [ConformalNaiveModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.conformal_models.html#darts.models.forecasting.conformal_models.ConformalNaiveModel) | [कन्फॉर्मलाइज़्ड भविष्यवाणी](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) | [कन्फॉर्मलाइज़्ड क्वांटाइल प्रतिगमन](https://arxiv.org/pdf/1905.03222) | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |**वर्गीकरण मॉडल:** Darts में वर्गीकरण मॉडल श्रेणीबद्ध क्लास लेबल की भविष्यवाणी करने के लिए डिज़ाइन किए गए हैं, जो प्रभावी समय श्रृंखला लेबलिंग और भविष्य की क्लास भविष्यवाणी को सक्षम बनाते हैं। ये मॉडल उन परिदृश्यों के लिए आदर्श हैं जहां समय के साथ विशिष्ट श्रेणियों या अवस्थाओं की पहचान करना महत्वपूर्ण होता है।
| 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 |
|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|---------|--------------------------------------------------------------|--------------------------------------------------------------------------|--------------------------------------------------------------------------|-------------------------------------------|
| **Regression Models**<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): wrapper around any scikit-learn-like classification model | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| [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
कोई भी व्यक्ति हमारे [Gitter room](https://gitter.im/u8darts/darts) में शामिल होकर प्रश्न पूछ सकता है, प्रस्ताव दे सकता है,
उपयोग-मामलों पर चर्चा कर सकता है, और बहुत कुछ कर सकता है। यदि आपको कोई बग दिखे या सुझाव हों, तो GitHub issues का स्वागत है।
यदि आप जो हमें 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 ईमेल भेजें या
किसी अन्य पूछताछ के लिए <a href="mailto:[email protected]">[email protected]</a> पर संपर्क करें।
## योगदान करें
विकास जारी है, और हम GitHub पर सुझावों, pull requests और issues का स्वागत करते हैं।
सभी योगदानकर्ताओं को
[change log page](https://github.com/unit8co/darts/blob/master/CHANGELOG.md) पर स्वीकार किया 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 GitHub की रिपॉजिटरी उद्धरण के माध्यम से सीधे 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}
}