New releaseSep 6, 2026
darts v0.47.0
Uma biblioteca python para previsão e detecção de anomalias em séries temporais, projetada para ser fácil de usar.
Séries Temporais Facilitadas em Python
Darts é uma biblioteca Python para previsão (forecasting) e detecção de anomalias
em séries temporais, fácil de usar. Ela contém uma variedade de modelos, desde clássicos como ARIMA até
redes neurais profundas. Os modelos de previsão podem todos ser usados da mesma forma,
utilizando as funções fit() e predict(), semelhante ao scikit-learn.
A biblioteca também facilita o backtesting de modelos,
a combinação das previsões de vários modelos e a consideração de dados externos.
Darts suporta séries temporais e modelos tanto univariados quanto multivariados.
Os modelos baseados em aprendizado de máquina podem ser treinados em conjuntos de dados potencialmente grandes contendo múltiplas séries
temporais, e alguns dos modelos oferecem um suporte robusto para previsão probabilística.
Darts também oferece amplas capacidades de detecção de anomalias. Por exemplo, é trivial aplicar modelos PyOD em séries temporais para obter pontuações de anomalia, ou envolver qualquer um dos modelos de previsão ou filtragem do Darts para obter modelos de detecção de anomalias completamente desenvolvidos.
Documentação
Introduções de Alto Nível
Artigos sobre Tópicos Selecionados
- Treinando Modelos em Múltiplas Séries Temporais
- Usando Covariáveis Passadas e Futuras
- Redes Convolucionais Temporais e Previsão
- Previsão Probabilística
- Aprendizado por Transferência para Previsão de Séries Temporais
- Reconciliação Hierárquica de Previsões
Instalação Rápida
Recomendamos primeiro configurar um ambiente Python limpo para o seu projeto com Python 3.10+ usando sua ferramenta favorita (conda, venv, virtualenv com ou sem virtualenvwrapper).
Uma vez que seu ambiente esteja configurado, você pode instalar o darts usando pip:
pip install darts
Para mais detalhes, você pode consultar nossas instruções de instalação.
Exemplo de Uso
Previsão
Crie um objeto TimeSeries a partir de um Pandas DataFrame e divida-o em séries de treino/validação:```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:]
Ajuste um modelo de suavização exponencial e faça uma previsão (probabilística) sobre a duração da série de validação:```python
from darts.models import ExponentialSmoothing
model = ExponentialSmoothing()
model.fit(train)
prediction = model.predict(len(val), num_samples=1000)
Plote a mediana, o 5º e o 95º percentil:```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>
### Detecção de Anomalias
Carregue uma série multivariada, corte-a, mantenha 2 componentes, divida os conjuntos de treino e validação:```python
from darts.datasets import ETTh2Dataset
series = ETTh2Dataset().load()[:10000][["MUFL", "LULL"]]
train, val = series.split_before(0.6)
Construa um scorer de anomalias k-means, treine-o no conjunto de treino e use-o no conjunto de validação para obter pontuações de anomalia:```python from darts.ad import KMeansScorer
scorer = KMeansScorer(k=2, window=5) scorer.fit(train) anom_score = scorer.score(val)
Construa um detector de anomalias binário e treine-o sobre as pontuações de treino,
depois use-o sobre as pontuações de validação para obter a classificação binária de anomalias:```python
from darts.ad import QuantileDetector
detector = QuantileDetector(high_quantile=0.99)
detector.fit(scorer.score(train))
binary_anom = detector.detect(anom_score)
Plot (deslocando e escalando algumas das séries para que tudo apareça na mesma 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>
## Funcionalidades
* **Modelos de Previsão:** Uma grande coleção de modelos de previsão para tarefas de regressão, bem como de classificação; desde modelos estatísticos (como
ARIMA) até modelos de aprendizagem profunda (como N-BEATS). Consulte os [modelos de previsão](#forecasting-models) abaixo.
* **Detecção de Anomalias:** O módulo `darts.ad` contém uma coleção de pontuadores de anomalias,
detetores e agregadores, que podem ser todos combinados para detetar anomalias em séries temporais.
É fácil envolver qualquer um dos modelos de previsão ou filtragem do Darts para construir
um modelo de deteção de anomalias completo que compara previsões com valores reais.
O `PyODScorer` torna trivial usar detetores PyOD em séries temporais.
* **Suporte Multivariado:** `TimeSeries` pode ser multivariado - ou seja, conter múltiplas
dimensões/colunas que variam no tempo em vez de um único valor escalar. Muitos modelos podem consumir e produzir séries multivariadas.
* **Treino com Múltiplas Séries (Modelos Globais):** Todos os modelos baseados em aprendizagem automática (incl. todas as redes neuronais)
suportam ser treinados em múltiplas séries (potencialmente multivariadas). Isto também pode ser escalado para grandes conjuntos de dados.
* **Suporte Probabilístico:** Os objetos `TimeSeries` podem (opcionalmente) representar séries temporais
estocásticas; isto pode, por exemplo, ser usado para obter intervalos de confiança, e muitos modelos suportam diferentes
variantes de previsão probabilística (como estimar distribuições paramétricas ou quantis).
Alguns pontuadores de deteção de anomalias também são capazes de explorar estas distribuições preditivas.
* **Suporte para Previsão Conforme:** Os nossos modelos de previsão conforme permitem gerar previsões probabilísticas com
intervalos de quantis calibrados para qualquer modelo de previsão global pré-treinado.
* **Suporte para Covariáveis Passadas e Futuras:** Muitos modelos no Darts suportam séries temporais de covariáveis
(dados externos) observadas no passado e/ou conhecidas no futuro como entradas para produzir previsões.
* **Suporte para Covariáveis Estáticas:** Além de dados dependentes do tempo, `TimeSeries` também pode conter
dados estáticos para cada dimensão, que podem ser explorados por alguns modelos.
* **Reconciliação Hierárquica:** O Darts oferece transformadores para realizar reconciliação.
Estes podem fazer com que as previsões somem de uma forma que respeite a hierarquia subjacente.
* **Modelos de Regressão:** É possível integrar qualquer modelo compatível com scikit-learn
para obter previsões como funções de valores desfasados da série alvo e covariáveis.
* **Treino com Pesos de Amostra:** Todos os modelos globais suportam ser treinados com pesos de amostra. Estes podem ser
aplicados a cada observação, passo temporal previsto e coluna alvo.
* **Deslocamento do Início da Previsão:** Todos os modelos globais suportam treino e previsão numa janela de saída deslocada.
Isto é útil, por exemplo, para previsões no Mercado do Dia Seguinte, ou quando as covariáveis (ou a série alvo) são reportadas
com atraso.
* **Explicabilidade:** O Darts tem a capacidade de *explicar* alguns modelos de previsão usando valores SHAP.
* **Processamento de Dados:** Ferramentas para aplicar facilmente (e reverter) transformações comuns em
dados de séries temporais (escalonamento, preenchimento de valores em falta, diferenciação, boxcox, ...)
* **Métricas:** Uma variedade de métricas para avaliar a qualidade do ajuste de séries temporais;
desde pontuações R2 até Erro Absoluto Médio Escalonado.
* **Backtesting:** Utilitários para simular previsões históricas, usando janelas temporais móveis.
* **Suporte PyTorch Lightning:** Todos os modelos de aprendizagem profunda são implementados usando PyTorch Lightning,
suportando, entre outras coisas, callbacks personalizados, treino em GPUs/TPUs e trainers personalizados.
* **Integração MLflow:** Integração com MLflow para rastreamento, comparação e persistência automatizados
de experiências de modelos de previsão do Darts. Consulte o [notebook de início rápido do MLflow](https://unit8co.github.io/darts/examples/29-MLflow-examples.html) para exemplos.
* **Modelos de Filtragem:** O Darts oferece três modelos de filtragem: `KalmanFilter`, `GaussianProcessFilter`,
e `MovingAverageFilter`, que permitem filtrar séries temporais e, em alguns casos, obter inferências
probabilísticas dos estados/valores subjacentes.
* **Conjuntos de Dados:** O submódulo `darts.datasets` contém alguns conjuntos de dados populares de séries temporais para experimentação
rápida e reproduzível.
* **Compatibilidade com Múltiplos Backends:** Os objetos `TimeSeries` podem ser criados a partir de e exportados para vários backends, como pandas, polars, numpy, pyarrow, xarray e outros, facilitando uma integração perfeita com diferentes bibliotecas de processamento de dados.
## Modelos de Previsão
Aqui está uma discriminação dos modelos de previsão atualmente implementados no Darts. A nossa suíte inclui modelos de regressão e classificação, cada um adaptado para tarefas específicas de previsão. Estamos empenhados em expandir as nossas ofertas com novos modelos e funcionalidades para melhorar as suas capacidades de previsão.
**Modelos de Regressão:** Os nossos modelos de regressão são concebidos para prever valores numéricos contínuos, tornando-os ideais para prever tendências e padrões futuros em dados de séries temporais. Utilize estes modelos para obter informações sobre possíveis resultados futuros com base em dados históricos.| Model | Fontes | Suporte a Séries-Alvo:<br/><br/>Univariada/<br/>Multivariada | Suporte a Covariáveis:<br/><br/>Observadas no Passado/<br/>Conhecidas no Futuro/<br/>Estáticas | Previsão Probabilística:<br/><br/>Amostrada/<br/>Parâmetros de Distribuição | Treinamento e Previsão em Múltiplas Séries |
|--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|--------------------------------------------------------------|--------------------------------------------------------------------------|--------------------------------------------------------------------------|-------------------------------------------|
| **Modelos de Base**<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) | | ✅ ✅ | 🔴 🔴 🔴 | 🔴 🔴 | 🔴 |
| **Modelos Estatísticos / Clássicos**<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) | [Artigo Theta](https://robjhyndman.com/papers/Theta.pdf) & [Fonte 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) | [Repositório Prophet](https://github.com/facebook/prophet) | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ 🔴 | 🔴 |
| [FFT](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.fft.html#darts.models.forecasting.fft.FFT) (Transformada Rápida de Fourier) | | ✅ 🔴 | 🔴 🔴 🔴 | 🔴 🔴 | 🔴 |
| [KalmanForecaster](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.kalman_forecaster.html#darts.models.forecasting.kalman_forecaster.KalmanForecaster) usando o filtro de Kalman e N4SID para identificação de sistemas | [Artigo 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) | [Artigo TBATS](https://robjhyndman.com/papers/ComplexSeasonality.pdf) | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
| Método [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 em torno de qualquer modelo [StatsForecast](https://nixtlaverse.nixtla.io/statsforecast/index.html#models) | [statsforecast da 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 da 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 da 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 da 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 da 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 da 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 da 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) | | ✅ ✅ | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
| **Modelos de Base Globais**<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) | | ✅ ✅ | 🔴 🔴 🔴 | 🔴 🔴 | ✅ |
| **Modelos de Regressão**<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 em torno de qualquer modelo de regressão semelhante ao 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) | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| **Modelos Baseados em 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 ao DeepAR na sua versão probabilística | [Artigo 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) | [Artigo 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) | [Artigo 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) | [Artigo TCN](https://arxiv.org/abs/1803.01271), [Artigo DeepTCN](https://arxiv.org/abs/1906.04397), [postagem de 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) (Transformador de Fusão Temporal) | [Artigo 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) | [Artigo 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) | [Artigo 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) | [Artigo 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) | [Artigo TSMixer](https://arxiv.org/pdf/2303.06053.pdf), [Implementação 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 em torno de qualquer modelo base [NeuralForecast](https://nixtlaverse.nixtla.io/neuralforecast/docs/capabilities/overview.html) | [Documentação NeuralForecast](https://nixtlaverse.nixtla.io/neuralforecast/docs/) | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| **Modelos de Fundação**<br/>([GlobalForecastingModel](https://unit8co.github.io/darts/userguide/covariates.html#global-forecasting-models-gfms)): Nenhum treinamento necessário | | | | | |
| [Chronos2Model](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.chronos2_model.html#darts.models.forecasting.chronos2_model.Chronos2Model) | [Relatório Chronos-2](https://arxiv.org/abs/2510.15821), [Postagem de blog da 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) | [Artigo TimesFM 1.0](https://arxiv.org/abs/2310.10688), [Postagem de blog do 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) | [Artigo 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) | [Artigo PatchTST-FM](https://arxiv.org/abs/2602.06909), [PatchTST-FM GitHub](https://github.com/ibm-granite/granite-tsfm) | ✅ ✅ | 🔴 🔴 🔴 | ✅ ✅ | ✅ |
| **Modelos de Ensemble**<br/>([GlobalForecastingModel](https://unit8co.github.io/darts/userguide/covariates.html#global-forecasting-models-gfms)): O suporte do modelo depende dos modelos de previsão em ensemble e do próprio modelo de ensemble | | | | | |
| [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) | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
| **Modelos Conformais**<br/>([GlobalForecastingModel](https://unit8co.github.io/darts/userguide/covariates.html#global-forecasting-models-gfms)): O suporte do modelo depende do modelo de previsão usado | | | | | |
| [ConformalNaiveModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.conformal_models.html#darts.models.forecasting.conformal_models.ConformalNaiveModel) | [Predição Conformalizada](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) | [Regressão Quantílica Conformalizada](https://arxiv.org/pdf/1905.03222) | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |**Modelos de Classificação:** Os modelos de classificação no Darts são projetados para prever rótulos de classes categóricas, permitindo a rotulagem eficaz de séries temporais e a previsão de classes futuras. Esses modelos são perfeitos para cenários em que identificar categorias ou estados distintos ao longo do tempo é crucial.
| Model | Fontes | Suporte a Séries Alvo:<br/><br/>Univariada/<br/>Multivariada | Suporte a Covariáveis:<br/><br/>Observadas no passado/<br/>Conhecidas no futuro/<br/>Estáticas | Previsão Probabilística:<br/><br/>Amostrada/<br/>Parâmetros de Distribuição | Treinamento e Previsão em Múltiplas Séries |
|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|---------|--------------------------------------------------------------|--------------------------------------------------------------------------|--------------------------------------------------------------------------|-------------------------------------------|
| **Modelos de Regressão**<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 em torno de qualquer modelo de classificação semelhante ao 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) | | ✅ ✅ | ✅ ✅ ✅ | ✅ ✅ | ✅ |
## Comunidade e Contato
Todos são bem-vindos a entrar na nossa [sala do Gitter](https://gitter.im/u8darts/darts) para fazer perguntas, propor ideias,
discutir casos de uso e muito mais. Se você encontrar um bug ou tiver sugestões, issues no GitHub também são bem-vindas.
Se o que você quer nos dizer não for adequado para o Gitter ou GitHub,
sinta-se à vontade para nos enviar um e-mail para <a href="mailto:[email protected]">[email protected]</a> para
assuntos relacionados ao darts ou <a href="mailto:[email protected]">[email protected]</a> para qualquer outra
consulta.
## Contribua
O desenvolvimento está em andamento, e recebemos sugestões, pull requests e issues no GitHub.
Todos os contribuidores serão reconhecidos na
[página de changelog](https://github.com/unit8co/darts/blob/master/CHANGELOG.md).
Antes de trabalhar em uma contribuição (um novo recurso ou uma correção),
[consulte nossas diretrizes de contribuição](https://github.com/unit8co/darts/blob/master/CONTRIBUTING.md).
## Citação
Se você estiver usando o Darts em seu trabalho científico, agradeceríamos citações ao seguinte artigo do JMLR.
[Darts: User-Friendly Modern Machine Learning for Time Series](https://www.jmlr.org/papers/v23/21-1177.html)
Entrada Bibtex (ou copie diretamente pela citação do repositório do 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}
}