Serie Temporali Rese Semplici in Python

---

Darts è una libreria Python per il forecasting e il rilevamento di anomalie su serie temporali, pensata per essere facile da usare. Contiene una varietà di modelli, dai classici come ARIMA alle reti neurali profonde. Tutti i modelli di forecasting possono essere utilizzati allo stesso modo, tramite le funzioni fit() e predict(), in modo simile a scikit-learn. La libreria semplifica inoltre il backtesting dei modelli, la combinazione delle previsioni di più modelli e la considerazione di dati esterni. Darts supporta sia serie temporali e modelli univariati che multivariati. I modelli basati su ML possono essere addestrati su dataset potenzialmente grandi contenenti più serie temporali, e alcuni dei modelli offrono un ricco supporto per il forecasting probabilistico.

Darts offre anche ampie capacità di rilevamento di anomalie. Ad esempio, è banale applicare modelli PyOD su serie temporali per ottenere punteggi di anomalia, oppure incapsulare qualsiasi modello di forecasting o filtraggio di Darts per ottenere modelli di rilevamento di anomalie completi.

Documentazione

• Guida rapida
• Guida utente
• Riferimento API
• Esempi

Introduzioni di alto livello

• Post introduttivo sul blog
• Video introduttivo (25 minuti)

Articoli su argomenti selezionati

• Addestrare modelli su più serie temporali
• Utilizzo di covariate passate e future
• Reti convoluzionali temporali e forecasting
• Forecasting probabilistico
• Transfer learning per il forecasting di serie temporali
• Riconciliazione di previsioni gerarchiche

Installazione rapida

Consigliamo di configurare innanzitutto un ambiente Python pulito per il vostro progetto con Python 3.11+ utilizzando il vostro strumento preferito (conda, venv, virtualenv con o senza virtualenvwrapper).

Una volta configurato l'ambiente, potete installare darts usando pip:

pip install darts

Per maggiori dettagli potete consultare le nostre istruzioni di installazione.

Esempio di utilizzo

Forecasting

Create un oggetto TimeSeries da un Pandas DataFrame e dividetelo in serie di training/validation:

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:]

Adatta un modello di smoothing esponenziale e fai una previsione (probabilistica) sulla durata della serie di validazione:

from darts.models import ExponentialSmoothing

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

Traccia la mediana, il 5° e il 95° percentile:

import matplotlib.pyplot as plt

series.plot()
prediction.plot(label="forecast", low_quantile=0.05, high_quantile=0.95)
plt.legend()

Rilevamento delle anomalie

Carica una serie multivariata, ritagliala, mantieni 2 componenti, suddividi i set di addestramento e validazione:

from darts.datasets import ETTh2Dataset

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

Costruisci uno scorer di anomalie k-means, addestralo sul set di addestramento e usalo sul set di validazione per ottenere i punteggi di anomalia:

from darts.ad import KMeansScorer

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

Crea un rilevatore di anomalie binarie e addestralo sui punteggi di training, poi usalo sui punteggi di validazione per ottenere una classificazione binaria delle anomalie:

from darts.ad import QuantileDetector

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

Traccia (spostando e scalando alcune delle serie per far apparire tutto sulla stessa figura):

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)

Funzionalità

• Modelli di Previsione: Un'ampia collezione di modelli di previsione per attività di regressione e classificazione; dai modelli statistici (come ARIMA) ai modelli di deep learning (come N-BEATS). Vedi i modelli di previsione di seguito.