Darts は、時系列に対するユーザーフレンドリーな予測と異常検知のための Python ライブラリです。ARIMA のような古典的なモデルから深層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、scikit-learn と同様に fit() 関数と predict() 関数を使って同じ方法で使用できます。このライブラリは、モデルのバックテスト、複数モデルの予測の組み合わせ、外部データの考慮も簡単にします。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 はまた、広範な異常検知機能を提供します。例えば、時系列に PyOD モデルを適用して異常スコアを取得することは簡単であり、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することもできます。
まず、お好みのツール(conda、venv、virtualenv(virtualenvwrapper の有無は問いません))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。
Pandas DataFrame から TimeSeries オブジェクトを作成し、それをトレーニング/検証用の系列に分割します:```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:]
指数平滑化モデルを当てはめ、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)
中央値、5パーセンタイル、95パーセンタイルをプロットします：```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 予測例" />
</div>
### 異常検知
多変量系列を読み込み、それをトリミングし、2つのコンポーネントを保持し、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異常スコアラーを構築し、トレーニングセットで訓練し、検証セットで使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、トレインスコアでトレーニングして、バリデーションスコアで使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 (いくつか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):```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>
## 機能
* **予測モデル:** 回帰タスクと分類タスクの両方に対応した、多数の予測モデルを収録しています。統計モデル（ARIMAなど）から
ディープラーニングモデル（N-BEATSなど）まで幅広く含みます。以下の[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、検知器、アグリゲータ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知することができます。Darts の予測モデルやフィルタリングモデルをラップするだけで、予測と実測値を比較する本格的な異常検知モデルを簡単に構築できます。`PyODScorer` を使えば、PyOD 検知器を時系列に適用するのは簡単です。
* **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、時間とともに変化する複数の次元/列を含むことができます。多くのモデルは多変量系列を入力・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）:** すべての機械学習ベースのモデル（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）系列でトレーニングできます。大規模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）確率的時系列を表現できます。例えば、信頼区間を取得するために使用でき、多くのモデルはパラメトリック分布や分位数の推定など、さまざまな確率的予測に対応しています。一部の異常検知スコアラ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:** 当社のコンフォーマル予測モデルを使用すると、任意の事前トレーニング済みグローバル予測モデルについて、調整された分位数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、予測を生成するための入力として、過去に観測された共変量や未来に既知の共変量（外部データ）の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格納でき、一部のモデルで利用できます。
* **階層リコンサイル:** Darts は、リコンサイル（階層整合）を実行するためのトランスフォーマを提供します。これにより、基盤となる階層を尊重した形で予測値を合計することができます。
* **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に対応しています。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。
* **予測開始のシフト:** 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）の予測や、共変量（またはターゲット系列）が遅れて報告され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、Box-Cox 変換など）を簡単に適用（および元に戻す）するためのツール。
* **メトリクス:** 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。R2 スコアから平均絶対スケール誤差（Mean Absolute Scaled Error）まで。
* **バックテスト:** 移動時間窓を使用して過去の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:** すべてのディープラーニングモデルは 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。
* **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ます。これらは時系列をフィルタリングし、場合によっては基礎となる状態/値の確率的推論を得ることができます。
* **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促進します。
## 予測モデル
ここでは、Darts に現在実装されている予測モデルの内訳を示します。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や機能を追加し続けることをお約束します。
**回帰モデル:** 当社の回帰モデルは、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トレンド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将来の潜在的な結果についての洞察を得ることができます。| モデル | ソース | 対象時系列のサポート:<br/><br/>単変量/<br/>多変量 | 共変量のサポート:<br/><br/>過去観測/<br/>未来既知/<br/>静的 | 確率的予測:<br/><br/>サンプリング/<br/>分布パラメータ | 複数時系列でのトレーニングと予測 |
|--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|--------------------------------------------------------------|--------------------------------------------------------------------------|--------------------------------------------------------------------------|-------------------------------------------|
| **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) と [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) はシステム同定にカルマンフィルタとN4SID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) モデルに対するラッパー | [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): 任意の scikit-learn 類似の回帰モデルに対するラッパー | | ✅ ✅ | ✅ ✅ ✅ | 🔴 🔴 | ✅ |
| [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 と GRU を含む); 確率的バージョンは DeepAR に相当 | [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 と 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) ベースモデルに対するラッパー | [NeuralForecast ドキュメント](https://nixtlaverse.nixtla.io/neuralforecast/docs/) | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| **ファウンデーションモデル**<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)): モデルのサポートは、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します | | | | | |
| [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)): モデルのサポートは使用する予測モデルに依存します | | | | | |
| [ConformalNaiveModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.conformal_models.html#darts.models.forecasting.conformal_models.ConformalNaiveModel) | [コンフォーマル化予測](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) | [コンフォーマル化分位点回帰](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、時系列のラベリングと将来のクラス予測を効果的に行えます。これらのモデルは、時間の経過に伴う異なる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 | ターゲット系列の対応:<br/><br/>単変量/<br/>多変量 | 共変量の対応:<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): 任意の scikit-learn ライクな分類モデルをラップするラッパー | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| [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 に適さない内容の場合は、
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は <a href="mailto:[email protected]">[email protected]</a> まで、
メールをお送りください。
## コントリビュート
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。
すべてのコントリビューターは
[チェンジログページ](https://github.com/unit8co/darts/blob/master/CHANGELOG.md) に記載されます。
コントリビューション（新機能や修正）に取り組む前に、
[コントリビューションガイドライン](https://github.com/unit8co/darts/blob/master/CONTRIBUTING.md) をご確認ください。
## 引用
Darts を研究で使用される場合は、以下の JMLR 論文の引用をお願いします。
[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}
}