unit8co/dartsUma biblioteca python para previsão e detecção de anomalias em séries temporais, projetada para ser fácil de usar.
Darts é uma biblioteca Python para previsão (forecasting) e detecção de anomalias
em séries temporais, projetada para ser fácil de usar. Ela contém uma variedade de modelos, desde clássicos como ARIMA até
redes neurais profundas. Todos os modelos de previsão podem ser usados da mesma maneira,
por meio das funções fit() e predict(), de forma semelhante ao scikit-learn.
A biblioteca também facilita o backtest de modelos,
a combinação das previsões de vários modelos e a consideração de dados externos.
Darts oferece suporte tanto para séries temporais e modelos 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 amplo suporte 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 completos de detecção de anomalias.
Recomendamos primeiro configurar um ambiente Python limpo para o seu projeto com Python 3.10+ usando a sua ferramenta favorita (conda, venv, virtualenv com ou sem virtualenvwrapper).
Depois que o seu ambiente estiver configurado, você pode instalar o darts usando pip:
pip install darts
Para mais detalhes, consulte as nossas instruções de instalação.
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
df = pd.read_csv("AirPassengers.csv", delimiter=",")
series = TimeSeries.from_dataframe(df, "Month", "#Passengers")
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, os percentis 5 e 95:```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="exemplo de previsão do darts" />
</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 anomalias:```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)
Gráfico (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 e classificação; desde modelos estatísticos (como
ARIMA) até modelos de deep learning (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,
detectores e agregadores, que podem ser combinados para detectar anomalias em séries temporais.
É fácil envolver qualquer um dos modelos de previsão ou filtragem do Darts para construir
um modelo de detecção de anomalias completo que compara previsões com valores reais.
O `PyODScorer` torna trivial usar detectores PyOD em séries temporais.
* **Suporte Multivariado:** `TimeSeries` pode ser multivariada - ou seja, conter múltiplas dimensões/colunas
que variam ao longo do tempo em vez de um único valor escalar. Muitos modelos podem consumir e produzir séries multivariadas.
* **Treinamento com Múltiplas Séries (Modelos Globais):** Todos os modelos baseados em machine learning (incluindo todas as redes neurais)
suportam treinamento em múltiplas séries (potencialmente multivariadas). Isso também pode ser escalado para grandes conjuntos de dados.
* **Suporte Probabilístico:** Objetos `TimeSeries` podem (opcionalmente) representar séries temporais
estocásticas; isso 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 detecção de anomalias também são capazes de explorar essas distribuições preditivas.
* **Suporte a Previsão Conformal:** Nossos modelos de previsão conformal permitem gerar previsões probabilísticas com
intervalos de quantis calibrados para qualquer modelo global de previsão pré-treinado.
* **Suporte a 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 gerar previsões.
* **Suporte a 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.
Eles podem fazer com que as previsões se somem de uma forma que respeite a hierarquia subjacente.
* **Modelos de Regressão:** É possível conectar qualquer modelo compatível com scikit-learn
para obter previsões como funções de valores defasados da série alvo e de covariáveis.
* **Treinamento com Pesos Amostrais:** Todos os modelos globais suportam treinamento com pesos amostrais. Eles podem ser
aplicados a cada observação, passo de tempo previsto e coluna alvo.
* **Deslocamento do Início da Previsão:** Todos os modelos globais suportam treinamento e previsão em uma janela de saída deslocada.
Isso é útil, por exemplo, para previsões de Day-Ahead Market, ou quando as covariáveis (ou a série alvo) são informadas
com atraso.
* **Explicabilidade:** O Darts tem a capacidade de *explicar* alguns modelos de previsão usando valores SHAP.
* **Processamento de Dados:** Ferramentas para aplicar (e reverter) facilmente transformações comuns em
dados de séries temporais (escalonamento, preenchimento de valores ausentes, diferenciação, boxcox, ...)
* **Métricas:** Uma variedade de métricas para avaliar a qualidade do ajuste de séries temporais;
desde R2-scores até Mean Absolute Scaled Error.
* **Backtesting:** Utilitários para simular previsões históricas, usando janelas de tempo móveis.
* **Suporte a PyTorch Lightning:** Todos os modelos de deep learning são implementados usando PyTorch Lightning,
suportando, entre outras coisas, callbacks personalizados, treinamento em GPUs/TPUs e trainers personalizados.
* **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.
* **Datasets** O submódulo `darts.datasets` contém alguns datasets populares de séries temporais para experimentação
rápida e reproduzível.
* **Compatibilidade com Múltiplos Backends:** Objetos `TimeSeries` podem ser criados a partir de e exportados para vários backends, como pandas, polars, numpy, pyarrow, xarray, e outros, facilitando a integração perfeita com diferentes bibliotecas de processamento de dados.
## Modelos de Previsão
Aqui está uma visão geral dos modelos de previsão atualmente implementados no Darts. Nossa suíte inclui modelos de regressão e classificação, cada um adaptado para tarefas específicas de previsão. Estamos comprometidos em expandir nossas ofertas com novos modelos e recursos para aprimorar suas capacidades de previsão.
**Modelos de Regressão:** Nossos modelos de regressão são projetados para prever valores numéricos contínuos, tornando-os ideais para prever tendências e padrões futuros em dados de séries temporais. Utilize esses modelos para obter insights sobre possíveis resultados futuros com base em dados históricos.| Modelo | 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 Linha 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 do Theta](https://robjhyndman.com/papers/Theta.pdf) e [código-fonte do 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 do 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 o N4SID para identificação de sistemas | [Artigo do 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 do TBATS](https://robjhyndman.com/papers/ComplexSeasonality.pdf) | ✅ 🔴 | 🔴 ✅ 🔴 | ✅ ✅ | 🔴 |
| método de [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 Globais de Linha de Base**<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 em sua versão probabilística | [Artigo do 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 do 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 do 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 do TCN](https://arxiv.org/abs/1803.01271), [Artigo do DeepTCN](https://arxiv.org/abs/1906.04397), [post 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) (Temporal Fusion Transformer) | [Artigo do 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 do 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 do 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 do 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 do TSMixer](https://arxiv.org/pdf/2303.06053.pdf), [Implementação em 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 do 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 do Chronos-2](https://arxiv.org/abs/2510.15821), [Post 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 do TimesFM 1.0](https://arxiv.org/abs/2310.10688), [Post 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 do TiRex](https://arxiv.org/abs/2505.23719), [GitHub do TiRex](https://github.com/NX-AI/tirex) | ✅ ✅ | 🔴 🔴 🔴 | ✅ ✅ | ✅ |
| [PatchTSTFMModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.patchtst_fm_model.html#darts.models.forecasting.patchtst_fm_model.PatchTSTFMModel) | [Artigo do PatchTST-FM](https://arxiv.org/abs/2602.06909), [GitHub do PatchTST-FM](https://github.com/ibm-granite/granite-tsfm) | ✅ ✅ | 🔴 🔴 🔴 | ✅ ✅ | ✅ |
| **Modelos Ensemble**<br/>([GlobalForecastingModel](https://unit8co.github.io/darts/userguide/covariates.html#global-forecasting-models-gfms)): O suporte do modelo depende dos modelos de previsão combinados no 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 utilizado | | | | | |
| [ConformalNaiveModel](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.conformal_models.html#darts.models.forecasting.conformal_models.ConformalNaiveModel) | [Previsão 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.
| Modelo | Fontes | Suporte à Série Alvo:<br/><br/>Univariada/<br/>Multivariada | Suporte a Covariáveis:<br/><br/>Passadas observadas/<br/>Futuras conhecidas/<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 participar da nossa [sala do Gitter](https://gitter.im/u8darts/darts) para fazer perguntas, fazer propostas,
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 contar 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
outras perguntas.
## 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 da 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}
}