
टाइम सीरीज़ पर उपयोगकर्ता-अनुकूल पूर्वानुमान और विसंगति पहचान के लिए एक python लाइब्रेरी।
# पायथन में टाइम सीरीज़ को आसान बनाया गया

---
[](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** टाइम सीरीज़ पर उपयोगकर्ता-अनुकूल पूर्वानुमान और विसंगति पहचान के लिए एक पायथन लाइब्रेरी है। इसमें विभिन्न प्रकार के मॉडल शामिल हैं, ARIMA जैसे क्लासिक मॉडल से लेकर डीप न्यूरल नेटवर्क तक। सभी पूर्वानुमान मॉडलों का उपयोग एक ही तरीके से किया जा सकता है, `fit()` और `predict()` फ़ंक्शन का उपयोग करके, scikit-learn के समान।
यह लाइब्रेरी मॉडलों को बैकटेस्ट करना, कई मॉडलों की भविष्यवाणियों को संयोजित करना और बाहरी डेटा को ध्यान में रखना भी आसान बनाती है।
Darts यूनिवेरिएट और मल्टीवेरिएट 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 प्रोबेबिलिस्टिक पूर्वानुमान के लिए समृद्ध समर्थन प्रदान करते हैं।
Darts व्यापक विसंगति पहचान क्षमताएं भी प्रदान करता है।
उदाहरण के लिए, विसंगति स्कोर प्राप्त करने के लिए टाइम सीरीज़ पर PyOD मॉडल लागू करना, या पूर्ण विकसित विसंगति पहचान मॉडल प्राप्त करने के लिए किसी भी Darts पूर्वानुमान या फ़िल्टरिंग मॉडल को रैप करना बहुत आसान है।
## दस्तावेज़ीकरण
* [क्विकस्टार्ट](https://unit8co.github.io/darts/quickstart/00-quickstart.html)
* [उपयोगकर्ता गाइड](https://unit8co.github.io/darts/userguide.html)
* [API संदर्भ](https://unit8co.github.io/darts/generated_api/darts.html)
* [उदाहरण](https://unit8co.github.io/darts/examples.html)
### उच्च स्तरीय परिचय
* [परिचयात्मक ब्लॉग पोस्ट](https://medium.com/unit8-machine-learning-publication/darts-time-series-made-easy-in-python-5ac2947a8878)
* [परिचय वीडियो (25 मिनट)](https://youtu.be/g6OXDnXEtFA)
### चयनित विषयों पर लेख
* [कई टाइम सीरीज़ पर मॉडल प्रशिक्षण](https://medium.com/unit8-machine-learning-publication/training-forecasting-models-on-multiple-time-series-with-darts-dc4be70b1844)
* [पिछले और भविष्य के सहचरों का उपयोग](https://medium.com/unit8-machine-learning-publication/time-series-forecasting-using-past-and-future-external-data-with-darts-1f0539585993)
* [टेम्पोरल कन्वेन्शनल नेटवर्क और पूर्वानुमान](https://medium.com/unit8-machine-learning-publication/temporal-convolutional-networks-and-forecasting-5ce1b6e97ce4)
* [प्रोबेबिलिस्टिक पूर्वानुमान](https://medium.com/unit8-machine-learning-publication/probabilistic-forecasting-in-darts-e88fbe83344e)
* [टाइम सीरीज़ पूर्वानुमान के लिए ट्रांसफर लर्निंग](https://medium.com/unit8-machine-learning-publication/transfer-learning-for-time-series-forecasting-87f39e375278)
* [पदानुक्रमित पूर्वानुमान सामंजस्य](https://medium.com/unit8-machine-learning-publication/hierarchical-forecast-reconciliation-with-darts-8b4b058bb543)
## त्वरित इंस्टॉल
हम अनुशंसा करते हैं कि पहले अपने पसंदीदा टूल का उपयोग करके Python 3.11+ के साथ अपने प्रोजेक्ट के लिए एक साफ़ पायथन वातावरण सेटअप करें
([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/) के साथ
या [virtualenvwrapper](https://virtualenvwrapper.readthedocs.io/en/latest/) के बिना)।
एक बार आपका वातावरण सेट हो जाने के बाद आप pip का उपयोग करके darts इंस्टॉल कर सकते हैं:
pip install darts
अधिक जानकारी के लिए आप हमारे
[इंस्टॉलेशन निर्देश](https://github.com/unit8co/darts/blob/master/INSTALL.md) देख सकते हैं।
## उदाहरण उपयोग
### पूर्वानुमान
Pandas DataFrame से एक `TimeSeries` ऑब्जेक्ट बनाएं, और इसे train/validation श्रृंखलाओं 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 exponential smoothing मॉडल फिट करें, और validation series की अवधि पर एक (probabilistic) prediction बनाएं:
```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 forecast example" />
</div>
### विसंगति पहचान
एक बहुभिन्न श्रृंखला लोड करें, इसे ट्रिम करें, 2 घटक रखें, प्रशिक्षण और सत्यापन सेट विभाजित करें:
```python
from darts.datasets import ETTh2Dataset
series = ETTh2Dataset().load()[:10000][["MUFL", "LULL"]]
train, val = series.split_before(0.6)
```
एक k-means एनोमली स्कोरर बनाएं, इसे ट्रेन सेट पर प्रशिक्षित करें
और एनोमली स्कोर प्राप्त करने के लिए इसे वैलिडेशन सेट 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 एनोमली डिटेक्टर बनाएं और इसे train scores पर प्रशिक्षित करें,
फिर बाइनरी एनोमली वर्गीकरण प्राप्त करने के लिए इसे validation scores 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)
```
कुछ श्रृंखलाओं को स्थानांतरित और स्केल करके सब कुछ एक ही आकृति पर प्रदर्शित करने के लिए प्लॉट करें:
```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 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।
* **विसंगति पहचान** `darts.ad` मॉड्यूल में विसंगति स्कोरर, डिटेक्टर और एग्रीगेटर का संग्रह है,
जिन्हें समय श्रृंखला में विसंगतियों का पता लगाने के लिए संयोजित किया जा सकता है।
किसी भी Darts पूर्वानुमान या फ़िल्टरिंग मॉडल को एक पूर्ण विसंगति पहचान मॉडल बनाने के लिए
लपेटना आसान है जो पूर्वानुमानों की वास्तविक मानों से तुलना करता है।
`PyODScorer` समय श्रृंखला पर PyOD डिटेक्टरों का उपयोग करना सरल बनाता है।
* **बहुभिन्नरूपी समर्थन:** `TimeSeries` बहुभिन्नरूपी हो सकता है - अर्थात, एकल अदिश मान के बजाय
कई समय-परिवर्तनशील आयाम/स्तंभ शामिल हो सकते हैं। कई मॉडल बहुभिन्नरूपी श्रृंखलाओं का उपभोग और उत्पादन कर सकते हैं।
* **एकाधिक श्रृंखला प्रशिक्षण (वैश्विक मॉडल):** सभी मशीन लर्निंग आधारित मॉडल (सभी तंत्रिका नेटवर्क सहित)
कई (संभावित रूप से बहुभिन्नरूपी) श्रृंखलाओं पर प्रशिक्षित किए जाने का समर्थन करते हैं। यह बड़े डेटासेट तक भी स्केल कर सकता है।
* **संभाव्य समर्थन:** `TimeSeries` ऑब्जेक्ट (वैकल्पिक रूप से) स्टोकेस्टिक समय श्रृंखला 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 प्रकारों का समर्थन करते हैं (जैसे पैरामीट्रिक वितरण या क्वांटाइल का अनुमान लगाना)।
कुछ विसंगति पहचान स्कोरर इन भविष्य कहने वाले वितरणों का भी उपयोग कर सकते हैं।
* **कॉन्फॉर्मल प्रेडिक्शन समर्थन:** हमारे कॉन्फॉर्मल प्रेडिक्शन मॉडल किसी भी पूर्व-प्रशिक्षित वैश्विक पूर्वानुमान मॉडल के लिए
कैलिब्रेटेड क्वांटाइल अंतराल के साथ संभाव्य पूर्वानुमान उत्पन्न करने की अनुमति देते हैं।
* **अतीत और भविष्य के सहचर समर्थन:** Darts में कई मॉडल पूर्वानुमान उत्पन्न करने के लिए इनपुट के रूप में
अतीत-अवलोकित और/या भविष्य-ज्ञात सहचर (बाहरी डेटा) समय श्रृंखलाओं का समर्थन करते हैं।
* **स्थिर सहचर समर्थन:** समय-निर्भर डेटा के अतिरिक्त, `TimeSeries` प्रत्येक आयाम के लिए स्थिर डेटा भी
शामिल कर सकता है, जिसका उपयोग कुछ मॉडल कर सकते हैं।
* **पदानुक्रमित सामंजस्य:** Darts सामंजस्य करने के लिए ट्रांसफॉर्मर प्रदान करता है।
ये पूर्वानुमानों को इस तरह जोड़ सकते हैं कि अंतर्निहित पदानुक्रम का सम्मान हो।
* **प्रतिगमन मॉडल:** लक्ष्य श्रृंखला और सहचरों के लैग्ड 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 किए जाने का समर्थन करते हैं। इन्हें
प्रत्येक अवलोकन, पूर्वानुमानित समय चरण और लक्ष्य स्तंभ पर लागू किया जा सकता है।
* **पूर्वानुमान प्रारंभ शिफ्टिंग:** सभी वैश्विक मॉडल एक स्थानांतरित आउटपुट विंडो पर प्रशिक्षण और भविष्यवाणी का समर्थन करते हैं।
यह उदाहरण के लिए Day-Ahead Market पूर्वानुमानों के लिए उपयोगी है, या जब सहचर (या लक्ष्य श्रृंखला) विलंब के साथ
रिपोर्ट किए जाते हैं।
* **व्याख्यात्मकता:** 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 करने (और वापस लाने) के लिए उपकरण
(स्केलिंग, अनुपलब्ध मान भरना, अंतर निकालना, boxcox, ...)
* **मेट्रिक्स:** समय श्रृंखला की उपयुक्तता का मूल्यांकन करने के लिए विभिन्न प्रकार के मेट्रिक्स;
R2-स्कोर से लेकर Mean Absolute Scaled Error तक।
* **बैकटेस्टिंग:** चलती समय विंडो का उपयोग करके ऐतिहासिक पूर्वानुमानों को अनुकरण करने के लिए उपयोगिताएँ।
* **PyTorch Lightning समर्थन:** सभी गहन शिक्षण मॉडल PyTorch Lightning का उपयोग करके कार्यान्वित किए गए हैं,
जो अन्य चीजों के साथ-साथ कस्टम कॉलबैक, GPUs/TPUs 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 का 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 को pandas, polars, numpy, pyarrow, xarray, और अन्य जैसे विभिन्न बैकएंड से बनाया और निर्यात किया जा सकता है, जिससे विभिन्न डेटा प्रोसेसिंग लाइब्रेरी के साथ निर्बाध एकीकरण की सुविधा मिलती है।
## पूर्वानुमान मॉडल
यहाँ Darts में वर्तमान में कार्यान्वित पूर्वानुमान मॉडलों का विवरण दिया गया है। हमारे सूट में प्रतिगमन और वर्गीकरण दोनों मॉडल शामिल हैं, प्रत्येक विशिष्ट पूर्वानुमान कार्यों के लिए तैयार किया गया है। हम आपकी पूर्वानुमान क्षमताओं को बढ़ाने के लिए नए मॉडलों और विशेषताओं के साथ अपनी पेशकश 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 का पूर्वानुमान लगाने के लिए आदर्श बनाते हैं। ऐतिहासिक डेटा के आधार पर संभावित भविष्य के परिणामों की जानकारी प्राप्त करने के लिए इन मॉडलों का उपयोग करें।
| मॉडल | स्रोत | लक्ष्य श्रृंखला समर्थन:<br/><br/>एकचर/<br/>बहुचर | सहचर समर्थन:<br/><br/>पूर्व-प्रेक्षित/<br/>भविष्य-ज्ञात/<br/>स्थैतिक | संभाव्य पूर्वानुमान:<br/><br/>नमूनाकृत/<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 / 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) | | ✅ 🔴 | 🔴 🔴 🔴 | ✅ 🔴 | 🔴 |
---
[Read more](https://github.com/unit8co/darts)