unit8co/dartsUna libreria Python per previsioni intuitive e rilevamento di anomalie su serie temporali.
Darts è una libreria Python per la previsione e il rilevamento di anomalie
facili da usare su serie temporali. Contiene una varietà di modelli, dai classici come ARIMA
alle reti neurali profonde. I modelli di previsione 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 su machine learning possono essere addestrati su dataset potenzialmente grandi contenenti più serie
temporali, e alcuni dei modelli offrono un ricco supporto per la previsione probabilistica.
Darts offre anche ampie capacità di rilevamento delle anomalie. Ad esempio, è banale applicare i modelli PyOD su serie temporali per ottenere punteggi di anomalia, oppure avvolgere qualsiasi modello di previsione o filtraggio di Darts per ottenere modelli di rilevamento delle anomalie completamente sviluppati.
Raccomandiamo 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 impostato il tuo 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 Pandas DataFrame e suddividilo in serie di addestramento/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 ed effettua 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, 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 set di training 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 binario e addestralo sui punteggi di training,
quindi usalo sui punteggi di validazione per ottenere la 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)
Tracciato (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). Vedi i [modelli di previsione](#forecasting-models) qui sotto.
* **Rilevamento anomalie:** Il modulo `darts.ad` contiene una raccolta di scorer di anomalie,
rilevatori e aggregatori, che possono essere tutti combinati per rilevare anomalie nelle serie temporali.
È facile avvolgere qualsiasi modello di previsione o filtraggio di Darts per costruire
un modello di rilevamento anomalie completo che confronta le previsioni con i valori reali.
Il `PyODScorer` rende banale l'uso dei rilevatori PyOD sulle serie temporali.
* **Supporto multivariato:** `TimeSeries` può essere multivariata - cioè 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 su machine learning (incluse tutte le reti neurali)
supportano l'addestramento su serie multiple (potenzialmente multivariate). Questo può scalare anche a dataset di grandi dimensioni.
* **Supporto probabilistico:** Gli oggetti `TimeSeries` possono (opzionalmente) rappresentare serie temporali
stocastiche; questo può ad esempio essere usato 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 rilevamento anomalie sono anche in grado di sfruttare queste distribuzioni predittive.
* **Supporto alla 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 a 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 a covariate statiche:** Oltre ai dati dipendenti dal tempo, `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 in modo da rispettare 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.
Questo 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 (e annullare) facilmente trasformazioni comuni sui
dati delle serie temporali (scaling, 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 Assoluto Medio Scalato.
* **Backtesting:** Utilità per simulare previsioni storiche, utilizzando finestre temporali mobili.
* **Supporto a PyTorch Lightning:** Tutti i modelli di deep learning sono implementati usando PyTorch Lightning,
supportando tra le altre cose callback personalizzati, addestramento su GPU/TPU e trainer personalizzati.
* **Integrazione con MLflow:** Integrazione con MLflow per il tracciamento, il confronto e la persistenza automatizzati
degli esperimenti dei modelli di previsione di Darts. Vedi il [notebook di avvio rapido MLflow](https://unit8co.github.io/darts/examples/29-MLflow-examples.html) per esempi.
* **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 dataset di serie temporali popolari 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 un'integrazione senza soluzione di continuità con diverse librerie di elaborazione dati.
## Modelli di previsione
Ecco una ripartizione 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 potenziali risultati futuri basati sui dati storici.| Modello | Fonti | Supporto Serie Target:<br/><br/>Univariate/<br/>Multivariate | Supporto Covariate:<br/><br/>Osservate nel passato/<br/>Note nel futuro/<br/>Statiche | Previsione Probabilistica:<br/><br/>Campionata/<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 Theta](https://robjhyndman.com/papers/Theta.pdf) e [sorgente 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 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 Veloce di Fourier) | | ✅ 🔴 | 🔴 🔴 🔴 | 🔴 🔴 | 🔴 |
| [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 del sistema | [Articolo 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 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) | | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
| Wrapper [StatsForecastModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.sf_model.html#darts.models.forecasting.sf_model.StatsForecastModel) attorno a qualsiasi modello [StatsForecast](https://nixtlaverse.nixtla.io/statsforecast/index.html#models) | [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) | [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) | [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) | [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) | [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) | [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) | [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 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 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 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 TCN](https://arxiv.org/abs/1803.01271), [Articolo 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) (Trasformatore a Fusione Temporale) | [Articolo 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 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 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 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 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 NeuralForecast](https://nixtlaverse.nixtla.io/neuralforecast/docs/) | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| **Modelli Fondazionali**<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) | [Rapporto Chronos-2](https://arxiv.org/abs/2510.15821), [post del blog 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 TimesFM 1.0](https://arxiv.org/abs/2310.10688), [post del blog 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 TiRex](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) | [Articolo PatchTST-FM](https://arxiv.org/abs/2602.06909), [PatchTST-FM GitHub](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 ensembled 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) | [Previsione Conformalizzata](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) | [Regressione Quantile Conformalizzata](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 è fondamentale identificare categorie o stati distinti nel tempo.
| Modello | Fonti | Supporto Serie Target:<br/><br/>Univariate/<br/>Multivariate | Supporto Covariate:<br/><br/>Osservate nel passato/<br/>Note nel futuro/<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 porre domande, fare proposte,
discutere casi d'uso e altro. Se noti un bug o hai suggerimenti, anche le segnalazioni su GitHub sono benvenute.
Se ciò che vuoi comunicarci non è adatto a Gitter o GitHub,
sentiti libero di 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 favore 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, apprezzeremmo citazioni al seguente articolo JMLR.
[Darts: User-Friendly Modern Machine Learning for Time Series](https://www.jmlr.org/papers/v23/21-1177.html)
Voce Bibtex (o copia direttamente tramite la 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}
}