StatsForecast: 闪电般快速的统计和计量经济学预测工具

StatsForecast:闪电般快速的统计和计量经济学预测工具

StatsForecast Logo

StatsForecast是一个专注于快速、准确和可扩展的统计和计量经济学预测模型的Python库。它提供了一系列广泛使用的单变量时间序列预测模型,包括自动ARIMA、ETS、CES和Theta等,这些模型都经过了高性能优化。StatsForecast的目标是为数据科学家和分析师提供一个强大而易用的工具,以应对各种时间序列预测任务。

主要特点

StatsForecast具有以下突出特点:

高性能实现: StatsForecast使用numba进行编译,大大提高了模型的运行速度。它比其他Python替代方案快20倍,甚至比R语言实现还要快1.5倍。
广泛的模型支持: 库中包含了多种常用的统计和计量经济学预测模型,如ARIMA、ETS、CES、Theta等,以及大量基准模型。
自动化建模: 提供了自动ARIMA、自动ETS等模型,可以自动选择最佳参数,简化了建模过程。
概率预测: 支持生成概率预测和置信区间,有助于量化预测的不确定性。
外生变量支持: 部分模型支持引入外生变量,增强了预测的灵活性。
异常检测: 提供了基于预测区间的异常检测功能。
大规模预测: 与Spark、Dask和Ray等分布式计算框架兼容,能够高效地处理数百万个时间序列。
熟悉的API: 采用类似scikit-learn的.fit()和.predict()接口,使用起来非常直观。

安装

可以通过pip或conda安装StatsForecast:

pip install statsforecast

或

conda install -c conda-forge statsforecast

快速开始

以下是一个使用StatsForecast进行预测的简单示例:

from statsforecast import StatsForecast
from statsforecast.models import AutoARIMA
from statsforecast.utils import AirPassengersDF

# 加载示例数据
df = AirPassengersDF

# 创建StatsForecast对象
sf = StatsForecast(
    models = [AutoARIMA(season_length = 12)],
    freq = 'M'
)

# 拟合模型
sf.fit(df)

# 进行预测
forecasts = sf.predict(h=12, level=[95])

这个例子展示了如何使用AutoARIMA模型对航空客运量数据进行预测。StatsForecast的API设计简洁明了,只需几行代码即可完成从数据加载到模型训练再到预测的整个过程。

为什么选择StatsForecast?

速度优势: StatsForecast在速度上有显著优势。它比pmdarima快20倍,比Prophet快500倍,这意味着您可以在更短的时间内处理更多的时间序列数据。
准确性: 尽管速度快,StatsForecast并未牺牲准确性。它实现了多种先进的统计和计量经济学模型,这些模型在各种预测任务中都表现出色。
可扩展性: 与Ray等分布式计算框架集成,StatsForecast可以在30分钟内处理100万个时间序列,展现了其强大的可扩展性。
易用性: StatsForecast提供了类似scikit-learn的API,使得即使是初学者也能快速上手。同时,它还提供了自动化模型,如AutoARIMA,进一步简化了建模过程。
灵活性: 支持外生变量、概率预测、异常检测等功能,可以应对各种复杂的预测场景。