Scalecast简介
Scalecast是一个为实践者设计的时间序列预测库,旨在简化复杂的预测任务,提高预测效率和准确性。它集成了多种先进的机器学习和深度学习模型,提供了自动化的模型选择、参数优化、数据处理和结果可视化功能,使得从业者可以更专注于业务问题而非技术细节。
主要特性
1. 易用性
Scalecast的核心是Forecaster对象,它提供了一个统一的接口来处理各种预测任务。使用Scalecast,您只需几行代码就可以完成复杂的预测流程:
from scalecast.Forecaster import Forecaster
f = Forecaster(
y = data['values'],
current_dates = data['date'],
future_dates = 24,
test_length = 0,
cis = False,
metrics = ['rmse','mae','mape','r2'],
)
f.auto_Xvar_select()
f.cross_validate(k=3)
f.auto_forecast()
results = f.export(['lvl_fcsts','model_summaries'])
2. 多样化的模型支持
Scalecast支持多种预测模型,包括但不限于:
- 传统统计模型: ARIMA, Theta, Holt-Winters等
- 机器学习模型: XGBoost, LightGBM, Random Forest等
- 深度学习模型: LSTM, RNN等
- 高级模型: Prophet, Silverkite等
3. 动态递归预测
Scalecast采用动态递归预测方法,可以有效利用时间序列的滞后项(自回归项)作为输入,生成高质量的预测结果。
4. 自动化特征选择
Scalecast提供了自动化的特征选择功能,可以帮助用户找到最佳的滞后项、趋势和季节性特征:
f.auto_Xvar_select(
estimator = 'lasso',
alpha = .2,
monitor = 'ValidationMetricValue',
cross_validate = True,
cvkwargs = {'k':3},
)
5. 超参数调优
Scalecast支持使用网格搜索和时间序列交叉验证进行超参数调优:
from scalecast import GridGenerator
GridGenerator.get_example_grids()
models = ['ridge','lasso','xgboost','lightgbm','knn']
f.tune_test_forecast(
models,
limit_grid_size = .2,
feature_importance = True,
cross_validate = True,
rolling = True,
k = 3,
)
6. 可视化功能
Scalecast提供了丰富的可视化功能,可以轻松绘制测试集预测、未来预测、拟合值等图表:
import matplotlib.pyplot as plt
fig, ax = plt.subplots(2,1, figsize = (12,6))
f.plot_test_set(models=models,order_by='TestSetRMSE',ax=ax[0])
f.plot(models=models,order_by='TestSetRMSE',ax=ax[1])
plt.show()
7. 预测流水线
Scalecast支持构建完整的预测流水线,包括数据转换、预测和结果还原:
from scalecast.Pipeline import Transformer, Reverter, Pipeline
from scalecast.util import find_optimal_transformation, backtest_metrics
transformer, reverter = find_optimal_transformation(f)
pipeline = Pipeline(
steps = [
('Transform',transformer),
('Forecast',forecaster),
('Revert',reverter),
]
)
f = pipeline.fit_predict(f)
backtest_results = pipeline.backtest(f)
metrics = backtest_metrics(backtest_results)
8. 模型堆叠
Scalecast提供了两种模型堆叠方法,可以进一步提高预测精度:
- 使用scikit-learn的
StackingRegressor - Scalecast自身的堆叠程序
9. 多变量建模
Scalecast支持多变量建模和多变量预测流水线,适用于复杂的预测场景:
from scalecast.MVForecaster import MVForecaster
from scalecast.Pipeline import MVPipeline
mvf = MVForecaster(f1,f2,f3)
pipeline = MVPipeline(
steps = [
('Transform',[transformer1,transformer2,transformer3]),
('Forecast',mvforecaster),
('Revert',[reverter1,reverter2,reverter3])
]
)
f1, f2, f3 = pipeline.fit_predict(f1, f2, f3)
10. 迁移学习
Scalecast支持迁移学习,可以将一个Forecaster对象中训练的模型应用到另一个Forecaster对象的数据上:
f_new = Forecaster(...)
f_new = infer_apply_Xvar_selection(infer_from=f,apply_to=f_new)
f_new.transfer_predict(transfer_from=f,model='xgboost')
安装
安装Scalecast非常简单,只需使用pip命令:
pip install --upgrade scalecast
根据需要,您可能还需要安装一些可选的依赖包,如TensorFlow、Prophet等。
文档和资源
Scalecast提供了丰富的文档和学习资源:
此外,还有许多博客文章和教程深入介绍了Scalecast的各种功能和应用场景。
学术应用
Scalecast已在多个学术研究中得到应用,涉及领域包括客户服务行为预测、能源交易策略、流感预测等。这凸显了Scalecast在实际研究和应用中的价值。
结语
Scalecast作为一个功能强大且易用的时间序列预测库,为数据科学家和分析师提供了一个高效的工具,帮助他们更好地应对复杂的预测任务。无论是在学术研究还是商业应用中,Scalecast都展现出了巨大的潜力。随着持续的开发和社区贡献,我们可以期待Scalecast在未来为更多的时间序列预测项目带来价值。
