darts入门学习资料 - 简化Python时间序列预测和异常检测的库

darts简介

darts是一个专注于时间序列预测和异常检测的Python库。它提供了丰富的模型选择，从经典的统计模型到最新的深度学习模型，并且使用起来非常简单，类似于scikit-learn的API。darts支持单变量和多变量时间序列，可以轻松进行模型回测、预测组合以及考虑外部数据。

主要功能

• 丰富的预测模型：从ARIMA等统计模型到N-BEATS等深度学习模型，应有尽有。
• 异常检测：提供多种异常检测算法，可与预测模型结合使用。
• 多变量支持：支持处理多变量时间序列。
• 全局模型训练：机器学习模型可在多个时间序列上训练，适用于大规模数据集。
• 概率预测：支持获取置信区间，多种模型支持概率预测。
• 协变量支持：许多模型支持使用过去观测和未来已知的协变量。
• 数据处理工具：提供常用的时间序列数据变换工具。
• 评估指标：包含多种评估指标。
• 回测工具：可以模拟历史预测。

入门指南

1. 安装darts:

pip install darts

2. 快速开始:

import pandas as pd
from darts import TimeSeries
from darts.models import ExponentialSmoothing

# 创建TimeSeries对象
series = TimeSeries.from_dataframe(pd.read_csv("data.csv"), "timestamp", "value")

# 拆分训练集和验证集
train, val = series[:-36], series[-36:]

# 训练模型并预测
model = ExponentialSmoothing()
model.fit(train)
prediction = model.predict(len(val))

# 可视化结果
series.plot()
prediction.plot(label="forecast")

学习资源

官方文档

• 快速入门指南
• 用户指南
• API参考
• 示例代码

视频教程

• darts介绍视频(25分钟)

博客文章

• darts介绍博文
• 在多个时间序列上训练模型
• 使用过去和未来协变量
• 时间卷积网络和预测
• 概率预测
• 时间序列预测的迁移学习

社区支持

• Gitter聊天室：欢迎加入讨论使用问题、提出建议等。
• GitHub Issues：报告bug或提出新功能建议。

总结

darts为时间序列分析提供了一个强大而易用的工具包。无论你是初学者还是专业数据科学家，都能在darts中找到适合自己的模型和工具。通过本文提供的学习资源，相信你能快速掌握darts的使用，并将其应用到自己的时间序列项目中。