Skip to content
KitploitKITPLOIT
ИнструментыЭксплойтыБлог
Log in
Отправить
ИнструментыЭксплойтыБлог
Отправить

Инструменты для хакинга, пентеста и кибербезопасности — ваш арсенал защиты!

Kitploit — это каталог инструментов для хакинга, кибербезопасности и пентестинга. Находите последние обновления проектов для поиска уязвимостей, анализа систем, автоматизации тестирования и усиления вашей безопасности.

ЛентыКонтактыКонфиденциальность© 2026 Kitploit

Каталог инструментов

Категории

Все категории
Loading categories
darts — Python-библиотека для удобного прогнозирования и обнаружения аномалий на временных рядах. | Kitploit
Инструменты/GitHubGitHub/unit8co/darts
Утилиты общего назначенияМашинное ОбучениеОбнаружение АномалийТоп в Обнаружение Аномалий №12
GitHubunit8co/darts

darts

Python-библиотека для удобного прогнозирования и обнаружения аномалий на временных рядах.

Репозиторий
9.6k1.1k13718 ч 58 мин назадПроверено Kitploit
Сайт

Популярное

Смотреть все →

Откройте для себя самые используемые инструменты нашего сообщества.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 Полный набор инструментов OSINT: граф расследования, оценка достоверности, семейства псевдонимов, карта, временная шкала и отчёты. 49 модулей, более 400 сайтов, API-ключи не требуются.

    1.0k
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Приложение GhostLock с запуском в один клик (CVE-2026-43499)

    647
  • 3

    looking-glass

    anonghosty/looking-glass

    Платформа CSIRT, которая загружает отчёты Shadowserver в MongoDB и воспроизводит их в виде интерактивных карт, аналитики, результатов, рекомендаций и исполнительных дашбордов.

    421
  • 4

    jumpserver

    jumpserver/jumpserver

    JumpServer — это платформа управления привилегированным доступом (PAM) с открытым исходным кодом, которая предоставляет командам DevOps и IT безопасный доступ по требованию к конечным точкам SSH, RDP, Kubernetes, баз данных и RemoteApp через веб-браузер.

    389
  • 5

    ARTEX

    baarai/artex

    Платформа автономного тестирования на проникновение на основе мультиагентной LLM с агентами-планировщиками и агентами-исполнителями, графами активов и исследования, записью MITM-трафика и повторной проверкой уязвимостей.

    333
  • 6

    SafeLine

    chaitin/safeline

    Сам хостируемый WAF и обратный прокси-сервер, который фильтрует вредоносный HTTP-трафик, блокирует SQL-инъекции, XSS и атаки ботов, с ограничением скорости и динамическим шифрованием HTML/JS.

    331

Изучить все инструменты

Просмотрите нашу коллекцию инструментов

Смотреть все инструменты →
Поделиться
# Простой анализ временных рядов на Python

![darts](https://raw.githubusercontent.com/unit8co/darts/master/static/images/darts-logo-trim.png "darts")

---
[![PyPI version](https://badge.fury.io/py/darts.svg)](https://badge.fury.io/py/darts)
[![Conda Version](https://img.shields.io/conda/vn/conda-forge/u8darts-all.svg)](https://anaconda.org/conda-forge/u8darts-all)
![Supported versions](https://img.shields.io/badge/python-3.11+-blue.svg)
[![Docker Image Version (latest by date)](https://img.shields.io/docker/v/unit8/darts?label=docker&sort=date)](https://hub.docker.com/r/unit8/darts)
![GitHub Release Date](https://img.shields.io/github/release-date/unit8co/darts)
![GitHub Workflow Status](https://img.shields.io/github/actions/workflow/status/unit8co/darts/release.yml?branch=master)
[![Downloads](https://pepy.tech/badge/darts)](https://pepy.tech/project/darts)
[![Downloads](https://pepy.tech/badge/u8darts)](https://pepy.tech/project/u8darts)
[![codecov](https://codecov.io/gh/unit8co/darts/branch/master/graph/badge.svg?token=7F1TLUFHQW)](https://codecov.io/gh/unit8co/darts)
[![Code style: black](https://img.shields.io/badge/code%20style-black-000000.svg)](https://github.com/psf/black) [![Join the chat at https://gitter.im/u8darts/darts](https://badges.gitter.im/u8darts/darts.svg)](https://gitter.im/u8darts/darts?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge&utm_content=badge)

**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](https://unit8co.github.io/darts/quickstart/00-quickstart.html)
* [Руководство пользователя](https://unit8co.github.io/darts/userguide.html)
* [Справочник API](https://unit8co.github.io/darts/generated_api/darts.html)
* [Примеры](https://unit8co.github.io/darts/examples.html)

### Вводные материалы
* [Вводная статья в блоге](https://medium.com/unit8-machine-learning-publication/darts-time-series-made-easy-in-python-5ac2947a8878)
* [Вводное видео (25 минут)](https://youtu.be/g6OXDnXEtFA)

### Статьи по отдельным темам
* [Обучение моделей на нескольких временных рядах](https://medium.com/unit8-machine-learning-publication/training-forecasting-models-on-multiple-time-series-with-darts-dc4be70b1844)
* [Использование прошлых и будущих ковариат](https://medium.com/unit8-machine-learning-publication/time-series-forecasting-using-past-and-future-external-data-with-darts-1f0539585993)
* [Временные свёрточные сети и прогнозирование](https://medium.com/unit8-machine-learning-publication/temporal-convolutional-networks-and-forecasting-5ce1b6e97ce4)
* [Вероятностное прогнозирование](https://medium.com/unit8-machine-learning-publication/probabilistic-forecasting-in-darts-e88fbe83344e)
* [Перенос обучения для прогнозирования временных рядов](https://medium.com/unit8-machine-learning-publication/transfer-learning-for-time-series-forecasting-87f39e375278)
* [Иерархическая согласованность прогнозов](https://medium.com/unit8-machine-learning-publication/hierarchical-forecast-reconciliation-with-darts-8b4b058bb543)

## Быстрая установка

Мы рекомендуем сначала настроить чистое окружение Python для вашего проекта с Python 3.11+, используя ваш любимый инструмент
([conda](https://docs.conda.io/projects/conda/en/latest/user-guide/tasks/manage-environments.html "conda-env"),
[venv](https://docs.python.org/3/library/venv.html), [virtualenv](https://virtualenv.pypa.io/en/latest/) с
или без [virtualenvwrapper](https://virtualenvwrapper.readthedocs.io/en/latest/)).

После настройки окружения вы можете установить darts с помощью pip:

    pip install darts

Для получения дополнительной информации обратитесь к нашим
[инструкциям по установке](https://github.com/unit8co/darts/blob/master/INSTALL.md).

## 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="пример прогноза darts" />
</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)
```

Постройте 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)
```

Построение графика (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="пример обнаружения аномалий в darts" />
</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 для временных рядов.

* **Поддержка многомерности:** `TimeSeries` может быть многомерным — то есть содержать несколько изменяющихся во времени
  измерений/столбцов вместо одного скалярного значения. Многие модели могут принимать и выдавать многомерные ряды.

* **Обучение на нескольких рядах (глобальные модели):** Все модели на основе машинного обучения (включая все нейронные сети)
  поддерживают обучение на нескольких (потенциально многомерных) рядах. Это также масштабируется на большие наборы данных.

* **Вероятностная поддержка:** Объекты `TimeSeries` могут (опционально) представлять стохастические
  временные ряды; это можно, например, использовать для получения доверительных интервалов, и многие модели поддерживают разные
  варианты вероятностного прогнозирования (такие как оценка параметрических распределений или квантилей).
  Некоторые скореры обнаружения аномалий также способны использовать эти прогнозные распределения.

* **Поддержка конформного прогнозирования:** Наши модели конформного прогнозирования позволяют генерировать вероятностные прогнозы с
  калиброванными квантильными интервалами для любой предварительно обученной глобальной модели прогнозирования.

* **Поддержка прошлых и будущих ковариат:** Многие модели в Darts поддерживают временные ряды ковариат (внешних данных),
  наблюдаемых в прошлом и/или известных в будущем, в качестве входных данных для построения прогнозов.

* **Поддержка статических ковариат:** В дополнение к зависящим от времени данным, `TimeSeries` может также содержать
  статические данные для каждого измерения, которые могут использоваться некоторыми моделями.

* **Иерархическая согласованность:** Darts предлагает трансформеры для выполнения согласования.
  Они позволяют сделать так, чтобы прогнозы суммировались с учётом лежащей в основе иерархии.

* **Модели регрессии:** Можно подключить любую модель, совместимую со scikit-learn,
  чтобы получать прогнозы как функции лаговых значений целевого ряда и ковариат.

* **Обучение с весами выборок:** Все глобальные модели поддерживают обучение с весами выборок. Их можно
  применять к каждому наблюдению, прогнозируемому временному шагу и целевому столбцу.

* **Сдвиг начала прогноза:** Все глобальные модели поддерживают обучение и прогнозирование на сдвинутом выходном окне.
  Это полезно, например, для прогнозов рынка на сутки вперёд или когда ковариаты (или целевой ряд) сообщаются
  с задержкой.

* **Объяснимость:** Darts умеет *объяснять* некоторые модели прогнозирования с помощью значений SHAP.

* **Обработка данных:** Инструменты для лёгкого применения (и отмены) распространённых преобразований
  данных временных рядов (масштабирование, заполнение пропущенных значений, взятие разностей, boxcox, ...)

* **Метрики:** Разнообразие метрик для оценки качества соответствия временных рядов;
  от R2-оценок до Mean Absolute Scaled Error.

* **Бэктестинг:** Утилиты для симуляции исторических прогнозов с использованием скользящих временных окон.

* **Поддержка PyTorch Lightning:** Все модели глубокого обучения реализованы с использованием PyTorch Lightning,
  что поддерживает, среди прочего, пользовательские колбэки, обучение на GPU/TPU и пользовательские тренеры.

* **Интеграция с MLflow:** Интеграция с MLflow для автоматизированного отслеживания, сравнения и сохранения
  экспериментов с моделями прогнозирования Darts. Примеры см. в [MLflow quickstart notebook](https://unit8co.github.io/darts/examples/29-MLflow-examples.html).

* **Модели фильтрации:** Darts предлагает три модели фильтрации: `KalmanFilter`, `GaussianProcessFilter`
  и `MovingAverageFilter`, которые позволяют фильтровать временные ряды и в некоторых случаях получать вероятностные
  выводы о лежащих в основе состояниях/значениях.

* **Наборы данных** Подмодуль `darts.datasets` содержит некоторые популярные наборы данных временных рядов для быстрого
  и воспроизводимого экспериментирования.

* **Совместимость с несколькими бэкендами:** Объекты `TimeSeries` можно создавать из различных бэкендов и экспортировать в них, таких как pandas, polars, numpy, pyarrow, xarray и других, что обеспечивает бесшовную интеграцию с различными библиотеками обработки данных.

## Модели прогнозирования
Ниже приведён обзор моделей прогнозирования, в настоящее время реализованных в Darts. Наш набор включает как модели регрессии, так и модели классификации, каждая из которых адаптирована для конкретных задач прогнозирования. Мы стремимся расширять наши предложения новыми моделями и функциями, чтобы улучшить ваши возможности прогнозирования.

**Модели регрессии:** Наши модели регрессии предназначены для предсказания непрерывных числовых значений, что делает их идеальными для прогнозирования будущих тенденций и закономерностей во временных рядах. Используйте эти модели, чтобы получить представление о потенциальных будущих результатах на основе исторических данных.


| Модель                                                                                                                                                                                                                                                                                            | Источники                                                                                                                                                                                                                         | Поддержка целевых рядов:<br/><br/>Одномерные/<br/>Многомерные | Поддержка ковариат:<br/><br/>Наблюдаемые в прошлом/<br/>Известные в будущем/<br/>Статические | Вероятностное прогнозирование:<br/><br/>Выборки/<br/>Параметры распределения | Обучение и прогнозирование на нескольких рядах |
|--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|--------------------------------------------------------------|--------------------------------------------------------------------------|--------------------------------------------------------------------------|-------------------------------------------|
| **Базовые модели**<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)                                                                                                                                |                                                                                                                                                                                                                                   | ✅ ✅                                                        | 🔴 🔴 🔴                                                                 | 🔴 🔴                                                                    | 🔴                                        |
| **Статистические / классические модели**<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) и [FourTheta](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.theta.html#darts.models.forecasting.theta.FourTheta)                      | [Theta paper](https://robjhyndman.com/papers/Theta.pdf) & [4 Theta source](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 repo](https://github.com/facebook/prophet)                                                                                                                                                                               | ✅ 🔴                                                        | 🔴 ✅ 🔴                                                                 | ✅ 🔴                                                                    | 🔴                                        |
| [FFT](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.fft.html#darts.models.forecasting.fft.FFT) (быстрое преобразование Фурье)                                                                                                                                                 |                                                                                                                                                                                                                                   | ✅ 🔴                                                        | 🔴 🔴 🔴                                                                 | 🔴 🔴                                                                    | 🔴                                        |
| [KalmanForecaster](https://unit8co.github.io/darts/generated_api/darts.models.forecasting.kalman_forecaster.html#darts.models.forecasting.kalman_forecaster.KalmanForecaster) с использованием фильтра Калмана и N4SID для идентификации системы                                                        | [N4SID paper](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 paper](https://robjhyndman.com/papers/ComplexSeasonality.pdf)                                                                                                                                                              | ✅ 🔴                                                        | 🔴 ✅ 🔴                                                                 | ✅ ✅                                                                    | 🔴                                        |

---

[Read more](https://github.com/unit8co/darts)
Скачать инструмент