orbit

项目介绍：Orbit

项目概况

Orbit 是一个用于贝叶斯时间序列预测和推断的 Python 软件包。该工具包通过直观且熟悉的初始化、拟合、预测接口来处理时间序列任务，在其核心中使用概率编程语言进行计算。Orbit 专门帮助用户在时间序列数据中进行预测，其目标是为数据科学家和工程师提供一个简单而强大的工具，来完成复杂的时间序列分析和建模任务。

支持的模型和方法

Orbit 目前支持以下几种具体的模型实现：

指数平滑模型（ETS）：用于处理多种类型时间序列的趋势和季节性成分。
局部全局趋势模型（LGT）：结合局部和全局趋势的信息进行预测。
阻尼局部趋势模型（DLT）：一种可以处理波动性和不稳定趋势的模型。
基于时间的核回归模型（KTR）：一种非线性模型，适用于复杂模式的时间序列。

在模型估计和推断方面，Orbit 提供了多种采样和优化方法：

马尔科夫链蒙特卡洛法（MCMC）：作为完整的采样方法使用。
最大后验估计法（MAP）：用于点估计。
变分推断（VI）：在近似分布上使用的混合采样方法。

安装指南

用户可以选择通过 PyPi 或源代码来安装 Orbit：

使用 pip 从 PyPI 安装：
```
pip install orbit-ml
```

从源代码安装：

git clone https://github.com/uber/orbit.git
cd orbit
pip install -r requirements.txt
pip install .

此外，Orbit 也可以通过 conda 从 conda-forge 频道安装：

conda install -c conda-forge orbit-ml

快速开始指南

以下是如何使用 Damped-Local-Trend（DLT）模型进行完整贝叶斯预测的示例：

from orbit.utils.dataset import load_iclaims
from orbit.models import DLT
from orbit.diagnostics.plot import plot_predicted_data

df = load_iclaims()
test_size = 52
train_df = df[:-test_size]
test_df = df[-test_size:]

dlt = DLT(
  response_col='claims', date_col='week',
  regressor_col=['trend.unemploy', 'trend.filling', 'trend.job'],
  seasonality=52,
)
dlt.fit(df=train_df)

predicted_df = dlt.predict(df=test_df)

plot_predicted_data(
  training_actual_df=train_df, predicted_df=predicted_df,
  date_col=dlt.date_col, actual_col=dlt.response_col,
  test_actual_df=test_df
)