New releaseSep 6, 2026
darts v0.47.0
時系列データのユーザーフレンドリーな予測と異常検知のためのPythonライブラリ。
Pythonで時系列解析を簡単に
Darts は、時系列の予測と異常検知をユーザーフレンドリーに行うためのPythonライブラリです。ARIMAのような古典的なモデルからディープニューラルネットワークまで、さまざまなモデルが含まれています。予測モデルはすべて同じ方法で使用でき、scikit-learnと同様に fit() 関数と predict() 関数を使用します。このライブラリを使用すると、モデルのバックテスト、複数のモデルの予測の組み合わせ、外部データの考慮も簡単に行えます。Dartsは、単変量および多変量の時系列とモデルの両方をサポートしています。MLベースのモデルは、複数の時系列を含む可能性のある大規模なデータセットでトレーニングでき、一部のモデルは確率的予測を豊富にサポートしています。
Dartsは、広範な異常検知機能も提供しています。たとえば、PyODモデルを時系列に適用して異常スコアを取得したり、Dartsの予測モデルやフィルタリングモデルをラップして本格的な異常検知モデルを構築したりすることが簡単にできます。
ドキュメント
高レベルの紹介
特定のトピックに関する記事
クイックインストール
まず、お気に入りのツール（conda、venv、virtualenv（virtualenvwrapper の有無にかかわらず））を使用して、Python 3.10+ のクリーンなPython環境をプロジェクト用にセットアップすることをお勧めします。
環境がセットアップされたら、pipを使用してdartsをインストールできます：
pip install darts
詳細については、インストール手順 を参照してください。
使用例
予測
Pandas DataFrameから TimeSeries オブジェクトを作成し、トレイン/バリデーション系列に分割します：```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:]
指数平滑モデルを適合させ、検証系列の期間にわたって（確率的な）予測を行います：```python
from darts.models import ExponentialSmoothing
model = ExponentialSmoothing()
model.fit(train)
prediction = model.predict(len(val), num_samples=1000)
5パーセンタイルと95パーセンタイルをプロットする:```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>
### 異常検知
多変量時系列を読み込み、トリミングして2つの成分を保持し、訓練セットと検証セットに分割します:```python
from darts.datasets import ETTh2Dataset
series = ETTh2Dataset().load()[:10000][["MUFL", "LULL"]]
train, val = series.split_before(0.6)
k-means異常検知スコアラーを構築し、トレインセットで学習させて、バリデーションセットに適用して異常スコアを取得します。```python from darts.ad import KMeansScorer
scorer = KMeansScorer(k=2, window=5) scorer.fit(train) anom_score = scorer.score(val)
バイナリ異常検出器を構築し、それをトレーニングスコアで学習させ、
次に検証スコアに適用してバイナリ異常分類を取得します:```python
from darts.ad import QuantileDetector
detector = QuantileDetector(high_quantile=0.99)
detector.fit(scorer.score(train))
binary_anom = detector.detect(anom_score)
プロット（一部の系列をシフトおよびスケーリングして、 すべてを同じ図に表示する場合）：```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>
## 特徴
* **予測モデル:** 回帰および分類タスク向けの豊富な予測モデルコレクション。統計モデル（ARIMAなど）から深層学習モデル（N-BEATSなど）までを網羅しています。詳細は[予測モデル](#forecasting-models)を参照してください。
* **異常検知:** `darts.ad`モジュールには、異常スコアラー、検出器、アグリゲーターのコレクションが含まれており、これらを組み合わせて時系列の異常を検出できます。Dartsの予測モデルやフィルタリングモデルを簡単にラップして、予測値と実測値を比較する本格的な異常検知モデルを構築できます。`PyODScorer`を使用すると、時系列上でPyOD検出器を簡単に利用できます。
* **多変量サポート:** `TimeSeries`は多変量にできます。つまり、単一のスカラー値ではなく、複数の時間変動する次元/列を含むことができます。多くのモデルが多変量系列を入力・出力として扱えます。
* **複数系列トレーニング（グローバルモデル）:** 機械学習ベースの全モデル（すべてのニューラルネットワークを含む）は、複数の（場合によっては多変量の）系列でのトレーニングをサポートしています。大規模なデータセットにも対応できます。
* **確率的サポート:** `TimeSeries`オブジェクトは（オプションで）確率的な時系列を表現できます。これは例えば信頼区間の取得に使用でき、多くのモデルがさまざまな種類の確率的予測（パラメトリック分布や分位数の推定など）をサポートしています。一部の異常検知スコアラーもこれらの予測分布を活用できます。
* **コンフォーマル予測サポート:** コンフォーマル予測モデルを使用すると、事前トレーニング済みの任意のグローバル予測モデルに対して、校正された分位区間を持つ確率的予測を生成できます。
* **過去および将来の共変量サポート:** Dartsの多くのモデルは、予測生成の入力として、過去に観測された共変量および/または将来既知の共変量（外部データ）時系列をサポートしています。
* **静的共変量サポート:** 時間依存データに加えて、`TimeSeries`は各次元の静的データも含めることができ、一部のモデルでこれを活用できます。
* **階層的調整:** Dartsは調整（リコンシリエーション）を実行するためのトランスフォーマーを提供します。これにより、基盤となる階層構造を尊重した形で予測値の合計が一致するようになります。
* **回帰モデル:** scikit-learn互換の任意のモデルをプラグインして、ターゲット系列と共変量のラグ値の関数として予測を取得できます。
* **サンプル重みによるトレーニング:** すべてのグローバルモデルは、サンプル重みを使用したトレーニングをサポートしています。各観測値、予測タイムステップ、ターゲット列に適用できます。
* **予測開始シフト:** すべてのグローバルモデルは、シフトされた出力ウィンドウでのトレーニングと予測をサポートしています。これは例えば、前日市場（Day-Ahead Market）予測や、共変量（またはターゲット系列）の報告に遅延がある場合に役立ちます。
* **説明可能性:** DartsはSHAP値を使用して一部の予測モデルを*説明*する機能を備えています。
* **データ処理:** 時系列データに一般的な変換（スケーリング、欠損値の補完、差分、ボックスコックス変換など）を簡単に適用（および元に戻す）ためのツール。
* **メトリクス:** R2スコアから平均絶対スケール誤差（MASE）まで、時系列の適合度を評価するためのさまざまなメトリクス。
* **バックテスト:** 移動時間ウィンドウを使用して履歴予測をシミュレートするためのユーティリティ。
* **PyTorch Lightningサポート:** すべての深層学習モデルはPyTorch Lightningを使用して実装されており、カスタムコールバック、GPU/TPUトレーニング、カスタムトレーナーなどをサポートしています。
* **MLflow統合:** Darts予測モデル実験の自動追跡、比較、永続化のためのMLflowとの統合。例については[MLflowクイックスタートノートブック](https://unit8co.github.io/darts/examples/29-MLflow-examples.html)を参照してください。
* **フィルタリングモデル:** Dartsは`KalmanFilter`、`GaussianProcessFilter`、`MovingAverageFilter`の3つのフィルタリングモデルを提供しており、時系列のフィルタリングや、場合によっては基礎となる状態/値の確率的推論を取得できます。
* **データセット:** `darts.datasets`サブモジュールには、迅速かつ再現可能な実験のための一般的な時系列データセットがいくつか含まれています。
* **複数バックエンドとの互換性:** `TimeSeries`オブジェクトは、pandas、polars、numpy、pyarrow、xarrayなどのさまざまなバックエンドから作成・エクスポートでき、異なるデータ処理ライブラリとのシームレスな統合を容易にします。
## 予測モデル
以下は、Dartsで現在実装されている予測モデルの内訳です。当スイートには回帰モデルと分類モデルの両方が含まれており、それぞれ特定の予測タスクに合わせて調整されています。当社は、予測機能を強化するための新しいモデルと機能の拡充に取り組んでいます。
**回帰モデル:** 回帰モデルは連続的な数値を予測するように設計されており、時系列データの将来の傾向やパターンを予測するのに最適です。これらのモデルを活用して、履歴データに基づく潜在的な将来の結果に関する洞察を得ることができます。| Model | Sources | Target Series Support:<br/><br/>Univariate/<br/>Multivariate | Covariates Support:<br/><br/>Past-observed/<br/>Future-known/<br/>Static | Probabilistic Forecasting:<br/><br/>Sampled/<br/>Distribution Parameters | Training & Forecasting on Multiple Series |
|--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|--------------------------------------------------------------|--------------------------------------------------------------------------|--------------------------------------------------------------------------|-------------------------------------------|
| **ベースラインモデル**<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) | | ✅ ✅ | 🔴 🔴 🔴 | 🔴 🔴 | 🔴 |
| **統計 / 古典モデル**<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) および [FourTheta](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.theta.html#darts.models.forecasting.theta.FourTheta) | [Theta 論文](https://robjhyndman.com/papers/Theta.pdf) & [4 Theta ソース](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) | [Prophet リポジトリ](https://github.com/facebook/prophet) | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ 🔴 | 🔴 |
| [FFT](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.fft.html#darts.models.forecasting.fft.FFT) (高速フーリエ変換) | | ✅ 🔴 | 🔴 🔴 🔴 | 🔴 🔴 | 🔴 |
| [KalmanForecaster](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.kalman_forecaster.html#darts.models.forecasting.kalman_forecaster.KalmanForecaster) はカルマンフィルタとN4SIDによるシステム同定を使用 | [N4SID 論文](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) | [TBATS 論文](https://robjhyndman.com/papers/ComplexSeasonality.pdf) | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
| [Croston](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.sf_croston.html#darts.models.forecasting.sf_croston.Croston) 法 | | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
| [StatsForecastModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.sf_model.html#darts.models.forecasting.sf_model.StatsForecastModel) は任意の [StatsForecast](https://nixtlaverse.nixtla.io/statsforecast/index.html#models) モデルをラップするラッパー | [Nixtla の statsforecast](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) | [Nixtla の statsforecast](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) | [Nixtla の statsforecast](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) | [Nixtla の statsforecast](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) | [Nixtla の statsforecast](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) | [Nixtla の statsforecast](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) | [Nixtla の statsforecast](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) | | ✅ ✅ | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
| **グローバルベースラインモデル**<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) | | ✅ ✅ | 🔴 🔴 🔴 | 🔴 🔴 | ✅ |
| **回帰モデル**<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): scikit-learn 類似の回帰モデルをラップするラッパー | | ✅ ✅ | ✅ ✅ ✅ | 🔴 🔴 | ✅ |
| [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) | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| **PyTorch (Lightning) ベースのモデル**<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) (LSTM および GRU を含む); 確率版では DeepAR と同等 | [DeepAR 論文](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) (LSTM および GRU を含む) | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| [NBEATSModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.nbeats.html#darts.models.forecasting.nbeats.NBEATSModel) | [N-BEATS 論文](https://arxiv.org/abs/1905.10437) | ✅ ✅ | ✅ 🔴 🔴 | ✅ ✅ | ✅ |
| [NHiTSModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.nhits.html#darts.models.forecasting.nhits.NHiTSModel) | [N-HiTS 論文](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) | [TCN 論文](https://arxiv.org/abs/1803.01271), [DeepTCN 論文](https://arxiv.org/abs/1906.04397), [ブログ記事](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) | [TFT 論文](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) | [DLinear 論文](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) | [NLinear 論文](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) | [TiDE 論文](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) | [TSMixer 論文](https://arxiv.org/pdf/2303.06053.pdf), [PyTorch 実装](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): 任意の [NeuralForecast](https://nixtlaverse.nixtla.io/neuralforecast/docs/capabilities/overview.html) ベースモデルをラップするラッパー | [NeuralForecast ドキュメント](https://nixtlaverse.nixtla.io/neuralforecast/docs/) | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| **基盤モデル**<br/>([GlobalForecastingModel](https://unit8co.github.io/darts/userguide/covariates.html#global-forecasting-models-gfms)): トレーニング不要 | | | | | |
| [Chronos2Model](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.chronos2_model.html#darts.models.forecasting.chronos2_model.Chronos2Model) | [Chronos-2 レポート](https://arxiv.org/abs/2510.15821), [Amazon ブログ記事](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) | [TimesFM 1.0 論文](https://arxiv.org/abs/2310.10688), [Google ブログ記事](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) | [TiRex 論文](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) | [PatchTST-FM 論文](https://arxiv.org/abs/2602.06909), [PatchTST-FM GitHub](https://github.com/ibm-granite/granite-tsfm) | ✅ ✅ | 🔴 🔴 🔴 | ✅ ✅ | ✅ |
| **アンサンブルモデル**<br/>([GlobalForecastingModel](https://unit8co.github.io/darts/userguide/covariates.html#global-forecasting-models-gfms)): モデルサポートはアンサンブルされる予測モデルとアンサンブルモデル自体に依存 | | | | | |
| [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) | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| **コンフォーマルモデル**<br/>([GlobalForecastingModel](https://unit8co.github.io/darts/userguide/covariates.html#global-forecasting-models-gfms)): モデルサポートは使用される予測モデルに依存 | | | | | |
| [ConformalNaiveModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.conformal_models.html#darts.models.forecasting.conformal_models.ConformalNaiveModel) | [コンフォーマル予測](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) | [コンフォーマル分位点回帰](https://arxiv.org/pdf/1905.03222) | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |**分類モデル:** Dartsの分類モデルは、カテゴリカルなクラスラベルを予測するように設計されており、時系列の効果的なラベリングと将来のクラス予測を可能にします。これらのモデルは、時間の経過とともに明確なカテゴリや状態を識別することが重要なシナリオに最適です。
| モデル | ソース | ターゲット系列のサポート:<br/><br/>単変量/<br/>多変量 | 共変量のサポート:<br/><br/>過去観測/<br/>将来既知/<br/>静的 | 確率的予測:<br/><br/>サンプリング/<br/>分布パラメータ | 複数系列でのトレーニングと予測 |
|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|---------|--------------------------------------------------------------|--------------------------------------------------------------------------|--------------------------------------------------------------------------|-------------------------------------------|
| **回帰モデル**<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): scikit-learn系の分類モデル全般のラッパー | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| [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) | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
## コミュニティと連絡先
どなたでも[Gitterルーム](https://gitter.im/u8darts/darts)に参加して、質問、提案、ユースケースの議論などを行うことができます。バグを見つけたり、提案がある場合は、GitHubのissueも歓迎します。
GitterやGitHubに適さない内容をお伝えしたい場合は、
darts関連の事項については<a href="mailto:[email protected]">[email protected]</a>まで、
その他のお問い合わせについては<a href="mailto:[email protected]">[email protected]</a>まで
メールをお送りください。
## 貢献
開発は進行中であり、GitHubでの提案、プルリクエスト、issueを歓迎します。
すべての貢献者は[変更ログページ](https://github.com/unit8co/darts/blob/master/CHANGELOG.md)に記載されます。
貢献（新機能や修正）に取り組む前に、
[貢献ガイドライン](https://github.com/unit8co/darts/blob/master/CONTRIBUTING.md)をご確認ください。
## 引用
科学研究でDartsを使用する場合は、以下のJMLR論文を引用していただけると幸いです。
[Darts: User-Friendly Modern Machine Learning for Time Series](https://www.jmlr.org/papers/v23/21-1177.html)
Bibtexエントリ（またはGitHubのリポジトリ引用機能から直接コピー）:```
@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}
}