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 предсказаний 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, тривиально 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.

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
• Согласование иерархических 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 более подробной информации обратитесь к нашим инструкциям по установке.

Пример использования

Прогнозирование

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

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

### Обнаружение аномалий

Загрузите многомерный ряд, обрежьте его, оставьте 2 компонента, разделите на обучающую и валидационную выборки:```python
from darts.datasets import ETTh2Dataset

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

Создайте скорер аномалий на основе k-means, обучите его на обучающем наборе и примените его к валидационному набору для получения оценок аномальности:```python 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:```python
from darts.ad import QuantileDetector

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

График (сдвиг и масштабирование некоторых рядов, чтобы всё отображалось на одном рисунке):```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>


## 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](#forecasting-models) 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 на временных рядах.