unit8co/dartsUna libreria Python per previsioni intuitive e rilevamento di anomalie su serie temporali.
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, usando le funzioni fit() e predict(), simili a scikit-learn. La libreria rende inoltre facile eseguire il backtest dei modelli, combinare le previsioni di più modelli e tenere conto di dati esterni. Darts supporta sia serie temporali e modelli univariati che multivariati. I modelli basati sul machine learning possono essere addestrati su dataset potenzialmente grandi contenenti più serie temporali, e alcuni modelli offrono un ricco supporto per il forecasting probabilistico.
Darts offre anche ampie capacità di rilevamento delle anomalie. Ad esempio, è banale applicare modelli PyOD su serie temporali per ottenere punteggi di anomalia, oppure avvolgere qualsiasi modello di forecasting o filtering di Darts per ottenere modelli di rilevamento delle anomalie completamente funzionanti.
Consigliamo di impostare prima un ambiente Python pulito per il tuo progetto con Python 3.10+ usando 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 fare riferimento alle nostre istruzioni di installazione.
Crea un oggetto TimeSeries da un DataFrame Pandas, e suddividilo in serie di training/validazione:```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:]
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="esempio di previsione darts" />
</div>
### Rilevamento Anomalie
Carica una serie multivariata, tagliala, 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 training set e usalo sul validation set per ottenere gli anomaly score:```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 binario e addestralo sui punteggi di addestramento,
quindi 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)
Grafico (spostando e scalando alcune delle serie per far apparire tutto nella 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>
## Caratteristiche
* **Modelli di previsione:** Una vasta collezione di modelli di previsione per attività di regressione e classificazione; dai modelli statistici (come
ARIMA) ai modelli di deep learning (come N-BEATS). Consulta i [modelli di previsione](#forecasting-models) qui sotto.
* **Rilevamento delle anomalie:** Il modulo `darts.ad` contiene una collezione di scorer di anomalie,
rilevatori e aggregatori, che possono essere combinati per rilevare anomalie nelle serie temporali.
È facile avvolgere qualsiasi modello di previsione o filtraggio di Darts per costruire
un modello di rilevamento delle anomalie completo che confronta le previsioni con i valori reali.
`PyODScorer` rende banale l'uso dei rilevatori PyOD sulle serie temporali.
* **Supporto multivariato:** `TimeSeries` può essere multivariata - cioè può contenere più
dimensioni/colonne variabili nel tempo invece di un singolo valore scalare. Molti modelli possono consumare e produrre serie multivariate.
* **Addestramento su serie multiple (Modelli globali):** Tutti i modelli basati sul machine learning (incluse tutte le reti neurali)
supportano l'addestramento su più serie (potenzialmente multivariate). Questo approccio si adatta anche a dataset di grandi dimensioni.
* **Supporto probabilistico:** Gli oggetti `TimeSeries` possono (opzionalmente) rappresentare serie temporali
stocastiche; questo può essere usato ad esempio per ottenere intervalli di confidenza, e molti modelli supportano diverse
varianti di previsione probabilistica (come la stima di distribuzioni parametriche o quantili).
Alcuni scorer di anomalie sono anche in grado di sfruttare queste distribuzioni predittive.
* **Supporto per previsione conforme:** I nostri modelli di previsione conforme consentono di generare previsioni probabilistiche con
intervalli quantili calibrati per qualsiasi modello di previsione globale pre-addestrato.
* **Supporto per covariate passate e future:** Molti modelli in Darts supportano serie temporali di covariate
(dati esterni) osservate nel passato e/o note nel futuro come input per produrre previsioni.
* **Supporto per covariate statiche:** Oltre ai dati tempo-dipendenti, `TimeSeries` può contenere anche
dati statici per ogni dimensione, che possono essere sfruttati da alcuni modelli.
* **Riconciliazione gerarchica:** Darts offre trasformatori per eseguire la riconciliazione.
Questi possono far sì che le previsioni si sommino rispettando la gerarchia sottostante.
* **Modelli di regressione:** È possibile collegare qualsiasi modello compatibile con scikit-learn
per ottenere previsioni come funzioni dei valori ritardati della serie target e delle covariate.
* **Addestramento con pesi campionari:** Tutti i modelli globali supportano l'addestramento con pesi campionari. Possono essere
applicati a ogni osservazione, passo temporale previsto e colonna target.
* **Spostamento dell'inizio della previsione:** Tutti i modelli globali supportano l'addestramento e la previsione su una finestra di output spostata.
Ciò è utile ad esempio per le previsioni del mercato del giorno prima, o quando le covariate (o la serie target) vengono riportate
con un ritardo.
* **Spiegabilità:** Darts ha la capacità di *spiegare* alcuni modelli di previsione usando i valori SHAP.
* **Elaborazione dei dati:** Strumenti per applicare facilmente (e annullare) trasformazioni comuni sui dati delle
serie temporali (ridimensionamento, riempimento dei valori mancanti, differenziazione, boxcox, ...)
* **Metriche:** Una varietà di metriche per valutare la bontà di adattamento delle serie temporali;
dai punteggi R2 all'Errore Medio Assoluto Scalato.
* **Backtesting:** Utilità per simulare previsioni storiche, usando finestre temporali mobili.
* **Supporto PyTorch Lightning:** Tutti i modelli di deep learning sono implementati usando PyTorch Lightning,
supportando tra le altre cose callback personalizzate, addestramento su GPU/TPU e trainer personalizzati.
* **Modelli di filtraggio:** Darts offre tre modelli di filtraggio: `KalmanFilter`, `GaussianProcessFilter`
e `MovingAverageFilter`, che consentono di filtrare le serie temporali e, in alcuni casi, di ottenere inferenze
probabilistiche degli stati/valori sottostanti.
* **Dataset:** Il sottomodulo `darts.datasets` contiene alcuni popolari dataset di serie temporali per una sperimentazione rapida
e riproducibile.
* **Compatibilità con più backend:** Gli oggetti `TimeSeries` possono essere creati da ed esportati verso vari backend come pandas, polars, numpy, pyarrow, xarray e altri, facilitando l'integrazione senza soluzione di continuità con diverse librerie di elaborazione dati.
## Modelli di previsione
Ecco una panoramica dei modelli di previsione attualmente implementati in Darts. La nostra suite include sia modelli di regressione che di classificazione, ciascuno adattato a specifiche attività di previsione. Siamo impegnati ad ampliare la nostra offerta con nuovi modelli e funzionalità per migliorare le tue capacità di previsione.
**Modelli di regressione:** I nostri modelli di regressione sono progettati per prevedere valori numerici continui, rendendoli ideali per prevedere tendenze e pattern futuri nei dati delle serie temporali. Utilizza questi modelli per ottenere informazioni sui possibili risultati futuri basati sui dati storici.| Modello | Fonti | Supporto per serie target:<br/><br/>Univariata/<br/>Multivariata | Supporto per covariate:<br/><br/>Osservate nel passato/<br/>Note per il futuro/<br/>Statiche | Previsione probabilistica:<br/><br/>Campionate/<br/>Parametri di distribuzione | Addestramento e previsione su serie multiple |
|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|--------------------------------------------------------------|--------------------------------------------------------------------------|--------------------------------------------------------------------------|-------------------------------------------|
| **Modelli baseline**<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) | | ✅ ✅ | 🔴 🔴 🔴 | 🔴 🔴 | 🔴 |
| **Modelli statistici / classici**<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) e [FourTheta](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.theta.html#darts.models.forecasting.theta.FourTheta) | [articolo su Theta](https://robjhyndman.com/papers/Theta.pdf) e [codice sorgente di 4 Theta](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) | [repository di Prophet](https://github.com/facebook/prophet) | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ 🔴 | 🔴 |
| [FFT](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.fft.html#darts.models.forecasting.fft.FFT) (Trasformata di Fourier veloce) | | ✅ 🔴 | 🔴 🔴 🔴 | 🔴 🔴 | 🔴 |
| [KalmanForecaster](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.kalman_forecaster.html#darts.models.forecasting.kalman_forecaster.KalmanForecaster) che utilizza il filtro di Kalman e N4SID per l'identificazione dei sistemi | [articolo su N4SID](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) | [articolo su TBATS](https://robjhyndman.com/papers/ComplexSeasonality.pdf) | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
| metodo [Croston](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.sf_croston.html#darts.models.forecasting.sf_croston.Croston) | | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
| [StatsForecastModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.sf_model.html#darts.models.forecasting.sf_model.StatsForecastModel) wrapper attorno a qualsiasi modello [StatsForecast](https://nixtlaverse.nixtla.io/statsforecast/index.html#models) | [lo statsforecast di Nixtla](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) | [lo statsforecast di Nixtla](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) | [lo statsforecast di Nixtla](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) | [lo statsforecast di Nixtla](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) | [lo statsforecast di Nixtla](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) | [lo statsforecast di Nixtla](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) | [lo statsforecast di Nixtla](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) | | ✅ ✅ | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
| **Modelli baseline globali**<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) | | ✅ ✅ | 🔴 🔴 🔴 | 🔴 🔴 | ✅ |
| **Modelli di regressione**<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): wrapper attorno a qualsiasi modello di regressione simile a scikit-learn | | ✅ ✅ | ✅ ✅ ✅ | 🔴 🔴 | ✅ |
| [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) | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| **Modelli basati su PyTorch (Lightning)**<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) (incl. LSTM e GRU); equivalente a DeepAR nella sua versione probabilistica | [articolo su DeepAR](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) (incl. LSTM e GRU) | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| [NBEATSModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.nbeats.html#darts.models.forecasting.nbeats.NBEATSModel) | [articolo su N-BEATS](https://arxiv.org/abs/1905.10437) | ✅ ✅ | ✅ 🔴 🔴 | ✅ ✅ | ✅ |
| [NHiTSModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.nhits.html#darts.models.forecasting.nhits.NHiTSModel) | [articolo su N-HiTS](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) | [articolo su TCN](https://arxiv.org/abs/1803.01271), [articolo su DeepTCN](https://arxiv.org/abs/1906.04397), [post del blog](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) (Temporal Fusion Transformer) | [articolo su TFT](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) | [articolo su DLinear](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) | [articolo su NLinear](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) | [articolo su TiDE](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) | [articolo su TSMixer](https://arxiv.org/pdf/2303.06053.pdf), [Implementazione PyTorch](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): wrapper attorno a qualsiasi modello base [NeuralForecast](https://nixtlaverse.nixtla.io/neuralforecast/docs/capabilities/overview.html) | [Documentazione di NeuralForecast](https://nixtlaverse.nixtla.io/neuralforecast/docs/) | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| **Modelli foundation**<br/>([GlobalForecastingModel](https://unit8co.github.io/darts/userguide/covariates.html#global-forecasting-models-gfms)): Nessun addestramento richiesto | | | | | |
| [Chronos2Model](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.chronos2_model.html#darts.models.forecasting.chronos2_model.Chronos2Model) | [report su Chronos-2](https://arxiv.org/abs/2510.15821), [post del blog di Amazon](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) | [articolo su TimesFM 1.0](https://arxiv.org/abs/2310.10688), [post del blog di Google](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) | [articolo su TiRex](https://arxiv.org/abs/2505.23719), [GitHub di TiRex](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) | [articolo su PatchTST-FM](https://arxiv.org/abs/2602.06909), [GitHub di PatchTST-FM](https://github.com/ibm-granite/granite-tsfm) | ✅ ✅ | 🔴 🔴 🔴 | ✅ ✅ | ✅ |
| **Modelli ensemble**<br/>([GlobalForecastingModel](https://unit8co.github.io/darts/userguide/covariates.html#global-forecasting-models-gfms)): il supporto del modello dipende dai modelli di previsione che compongono l'ensemble e dal modello ensemble stesso | | | | | |
| [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) | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| **Modelli conformi**<br/>([GlobalForecastingModel](https://unit8co.github.io/darts/userguide/covariates.html#global-forecasting-models-gfms)): il supporto del modello dipende dal modello di previsione utilizzato | | | | | |
| [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) | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |**Modelli di classificazione:** I modelli di classificazione in Darts sono progettati per prevedere etichette di classi categoriche, consentendo un'efficace etichettatura delle serie temporali e la previsione di classi future. Questi modelli sono perfetti per scenari in cui identificare categorie o stati distinti nel tempo è cruciale.
| Modello | Fonti | Supporto serie target:<br/><br/>Univariate/<br/>Multivariate | Supporto covariate:<br/><br/>Passate osservate/<br/>Future note/<br/>Statiche | Previsione probabilistica:<br/><br/>Campionata/<br/>Parametri di distribuzione | Addestramento e previsione su serie multiple |
|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|---------|--------------------------------------------------------------|--------------------------------------------------------------------------|--------------------------------------------------------------------------|-------------------------------------------|
| **Modelli di regressione**<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 attorno a qualsiasi modello di classificazione simile a scikit-learn | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| [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) | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
## Community e Contatti
Chiunque è invitato a unirsi alla nostra [stanza Gitter](https://gitter.im/u8darts/darts) per fare domande, proporre idee, discutere casi d'uso e altro. Se noti un bug o hai suggerimenti, sono benvenuti anche i problemi su GitHub.
Se ciò che vuoi comunicarci non è adatto a Gitter o GitHub, non esitare a inviarci un'email a <a href="mailto:[email protected]">[email protected]</a> per questioni relative a darts o a <a href="mailto:[email protected]">[email protected]</a> per qualsiasi altra richiesta.
## Contribuisci
Lo sviluppo è in corso e accogliamo con piacere suggerimenti, pull request e segnalazioni su GitHub.
Tutti i contributori saranno riconosciuti nella [pagina del changelog](https://github.com/unit8co/darts/blob/master/CHANGELOG.md).
Prima di lavorare a un contributo (una nuova funzionalità o una correzione), [consulta le nostre linee guida per i contributi](https://github.com/unit8co/darts/blob/master/CONTRIBUTING.md).
## Citazione
Se utilizzi Darts nel tuo lavoro scientifico, ti saremmo grati se citassi il seguente articolo JMLR.
[Darts: User-Friendly Modern Machine Learning for Time Series](https://www.jmlr.org/papers/v23/21-1177.html)
Voce Bibtex (oppure copia direttamente dalla citazione del repository GitHub):```
@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}
}