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. I modelli di forecasting possono essere tutti utilizzati allo stesso modo, tramite le funzioni fit() e predict(), in modo simile a scikit-learn. La libreria rende inoltre semplice 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 anomaly score, oppure incapsulare qualsiasi modello di forecasting o filtraggio di Darts per ottenere modelli di rilevamento di anomalie completi.

Documentazione

• Quickstart
• Guida Utente
• Riferimento API
• Esempi

Introduzioni di Alto Livello

• Post Introduttivo sul Blog
• Video introduttivo (25 minuti)

Articoli su Argomenti Selezionati

• Addestrare Modelli su Serie Temporali Multiple
• Utilizzare 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 prima un ambiente Python pulito per il tuo progetto con Python 3.11+ utilizzando il tuo strumento preferito (conda, venv, virtualenv con o senza virtualenvwrapper).

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

pip install darts

Per maggiori dettagli puoi consultare le nostre istruzioni di installazione.

Esempio di Utilizzo

Forecasting

Crea un oggetto TimeSeries da un Pandas DataFrame e suddividilo in serie di training/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:]

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

### Rilevamento delle anomalie

Carica una serie multivariata, ritagliala, mantieni 2 componenti, dividi i set di addestramento e validazione:```python
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:```python from darts.ad import KMeansScorer

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

Costruisci un rilevatore di anomalie binarie e addestralo sui punteggi di training,
poi usalo sui punteggi di validazione per ottenere una classificazione binaria delle anomalie:```python
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):```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>


## 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](#forecasting-models) di seguito.