Простой анализ временных рядов на Python

---

Darts — это библиотека Python для удобного прогнозирования и обнаружения аномалий во временных рядах. Она содержит множество моделей: от классических, таких как ARIMA, до глубоких нейронных сетей. Все модели прогнозирования можно использовать одинаково, с помощью функций fit() и predict(), аналогично scikit-learn. Библиотека также упрощает бэктестинг моделей, объединение прогнозов нескольких моделей и учёт внешних данных. Darts поддерживает как одномерные, так и многомерные временные ряды и модели. Модели на основе машинного обучения можно обучать на потенциально больших наборах данных, содержащих множество временных рядов, а некоторые модели предлагают богатую поддержку вероятностного прогнозирования.

Darts также предлагает обширные возможности обнаружения аномалий. Например, применить модели PyOD к временным рядам для получения оценок аномальности или обернуть любую из моделей прогнозирования или фильтрации Darts, чтобы получить полноценные модели обнаружения аномалий, — это тривиально.

Документация

• Быстрый старт
• Руководство пользователя
• Справочник API
• Примеры

Вводные материалы

• Вводная статья в блоге
• Вводное видео (25 минут)

Статьи по отдельным темам

• Обучение моделей на нескольких временных рядах
• Использование прошлых и будущих ковариат
• Временные свёрточные сети и прогнозирование
• Вероятностное прогнозирование
• Перенос обучения для прогнозирования временных рядов
• Иерархическая согласованность прогнозов

Быстрая установка

Мы рекомендуем сначала настроить чистое окружение Python для вашего проекта с Python 3.11+, используя ваш любимый инструмент (conda, venv, virtualenv с или без virtualenvwrapper).

После настройки окружения вы можете установить darts с помощью pip:

pip install darts

Для получения дополнительной информации обратитесь к нашим инструкциям по установке.

Пример использования

Прогнозирование

Создайте объект TimeSeries из Pandas DataFrame и разделите его на обучающую и валидационную серии:

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:]

Подгоните модель экспоненциального сглаживания и сделайте (вероятностный) прогноз на продолжительность валидационного ряда:

from darts.models import ExponentialSmoothing

model = ExponentialSmoothing()
model.fit(train)
prediction = model.predict(len(val), num_samples=1000)

Постройте график медианы, 5-го и 95-го процентилей:

import matplotlib.pyplot as plt

series.plot()
prediction.plot(label="forecast", low_quantile=0.05, high_quantile=0.95)
plt.legend()

Обнаружение аномалий

Загрузите многомерный ряд, обрежьте его, оставьте 2 компонента, разделите на обучающую и валидационную выборки:

from darts.datasets import ETTh2Dataset

series = ETTh2Dataset().load()[:10000][["MUFL", "LULL"]]
train, val = series.split_before(0.6)

Постройте скорер аномалий на основе k-means, обучите его на обучающем наборе и примените его к валидационному набору для получения оценок аномальности:

from darts.ad import KMeansScorer

scorer = KMeansScorer(k=2, window=5)
scorer.fit(train)
anom_score = scorer.score(val)

Создайте бинарный детектор аномалий и обучите его на train-оценках, затем примените его к validation-оценкам для получения бинарной классификации аномалий:

from darts.ad import QuantileDetector

detector = QuantileDetector(high_quantile=0.99)
detector.fit(scorer.score(train))
binary_anom = detector.detect(anom_score)

Построение графика (сдвиг и масштабирование некоторых рядов, чтобы всё отображалось на одном рисунке):

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)

Возможности

• Модели прогнозирования: Большая коллекция моделей прогнозирования как для задач регрессии, так и для задач классификации; от статистических моделей (таких как ARIMA) до моделей глубокого обучения (таких как N-BEATS). См. модели прогнозирования ниже.

• Обнаружение аномалий Модуль darts.ad содержит коллекцию скореров аномалий, детекторов и агрегаторов, которые можно комбинировать для обнаружения аномалий во временных рядах. Легко обернуть любую из моделей прогнозирования или фильтрации Darts, чтобы построить полноценную модель обнаружения аномалий, сравнивающую прогнозы с фактическими значениями. PyODScorer делает тривиальным использование детекторов PyOD для временных рядов.