python機器學習darts時間序列預測和分析

更新時間：2024年01月26日 11:04:26 作者：程序員小寒

這篇文章主要介紹了python機器學習darts時間序列預測和分析使用實例探索,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進步,早日升職加薪

python庫darts

今天給大家分享一個神奇的 python 庫，darts

https://github.com/unit8co/darts

darts 是一個用于時間序列預測和分析的 Python 庫。它支持多種時間序列模型，包括經(jīng)典統(tǒng)計學模型和最新的機器學習模型，它還設計了簡單直觀的 API，使得即使是時間序列分析的初學者也能輕松上手。

特點

darts 具有如下特點

預測模型：darts 支持多種時間序列模型，包括經(jīng)典統(tǒng)計學模型（如 ARIMA、指數(shù)平滑法）和最新的機器學習模型（如 Prophet、RNN）
異常檢測：darts 提供廣泛的異常檢測功能。例如，在時間序列上應用 PyOD 模型來獲取異常分數(shù)。
多變量支持：TimeSeries 可以是多變量的，即包含多個隨時間變化的維度而不是單個標量值。
分層協(xié)調(diào)：darts 提供了轉(zhuǎn)換器來執(zhí)行協(xié)調(diào)。這些可以使預測以尊重底層層次結構的方式進行累加。
回歸模型：可以插入任何 scikit-learn 兼容模型，以獲得作為目標序列和協(xié)變量的滯后值函數(shù)的預測。
可解釋性：darts 能夠使用 Shap 值解釋一些預測模型。
數(shù)據(jù)處理：輕松應用時間序列數(shù)據(jù)常見轉(zhuǎn)換的工具。
Metrics：評估時間序列擬合的多種指標。
回溯測試：使用移動時間窗口模擬歷史預測的實用程序。
PyTorch Lightning 支持：所有深度學習模型均使用 PyTorch Lightning 實現(xiàn)，支持自定義回調(diào)、GPU/TPU 訓練和自定義訓練器等。
過濾模型：darts 提供三種過濾模型，KalmanFilter、GaussianProcessFilter 和 MovingAverageFilter，它們允許過濾時間序列。
數(shù)據(jù)集：darts.datasets 子模塊包含一些流行的時間序列數(shù)據(jù)集，用于快速且可重復的實驗。

庫的安裝

可以直接通過 pip 進行安裝。

注意，需要對應的 python 版本大于等于 3.8

pip install darts

預測

首先我們通過 pandas 來加載數(shù)據(jù)集。

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:]

接下來訓練一個指數(shù)平滑模型，并對驗證集進行預測。

from darts.models import ExponentialSmoothing
import matplotlib.pyplot as plt

model = ExponentialSmoothing()
model.fit(train)
prediction = model.predict(len(val), num_samples=1000)

series.plot()
prediction.plot(label="forecast", low_quantile=0.05, high_quantile=0.95)
plt.legend()

異常檢測

首先，我們加載一個多元序列。

from darts.datasets import ETTh2Dataset

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

接下來，構建一個 k-means 異常評分器，在訓練集上對其進行訓練，并在驗證集上使用它來獲取異常分數(shù)。

from darts.ad import KMeansScorer

scorer = KMeansScorer(k=2, window=5)
scorer.fit(train)
anom_score = scorer.score(val)

然后構建一個二元異常檢測器并通過訓練分數(shù)對其進行訓練，然后使用它對驗證分數(shù)來獲得二元異常分類

from darts.ad import QuantileDetector

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

繪圖展示

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)