skforecast: 强大的Python时间序列预测库

skforecast

skforecast: 强大的Python时间序列预测库

什么是skforecast?

skforecast是一个用于时间序列预测的Python库,它基于机器学习模型进行预测。skforecast的主要特点是可以与任何兼容scikit-learn API的回归器一起使用,包括流行的选项如LightGBM、XGBoost、CatBoost、Keras等。

为什么选择skforecast?

统计学和机器学习领域已经开发出许多出色的回归算法,这些算法可以用于预测,但将它们有效地应用于时间序列分析仍然具有挑战性。为了解决这个问题,skforecast库提供了一套全面的工具,用于在处理时间序列时常见的各种场景下进行训练、验证和预测。

该库使用广泛使用的scikit-learn API构建,使其易于集成到现有工作流程中。使用skforecast,用户可以访问广泛的功能,如特征工程、模型选择、超参数调优等。这使用户能够专注于项目的基本方面,将时间序列分析的复杂性交给skforecast处理。

此外,skforecast的开发遵循以下优先事项:

快速且稳健的原型设计 ⚡
验证和回测方法,对模型性能进行真实评估 🔍
模型必须能够部署到生产环境中 🔨
模型必须可解释 🔮

skforecast的主要特性

创建基于任何符合scikit-learn API的回归器的递归自回归预测器
创建基于任何符合scikit-learn API的回归器的直接自回归预测器
创建基于任何符合scikit-learn API的回归器的多序列自回归预测器
包含外生变量作为预测因子
包含自定义预测因子(滚动平均、滚动方差等)
多种用于模型验证的回测方法
网格搜索、随机搜索和贝叶斯搜索以找到最佳滞后(预测因子)和最佳超参数
包含自定义指标用于模型验证和网格搜索
通过自举和分位数回归估计预测区间
获取预测因子重要性
生产环境中的预测器

安装与依赖

要安装带有核心依赖项的基本版本skforecast,请运行:

pip install skforecast

如果想了解更多关于安装过程、依赖项和可选功能的信息,请参考安装指南。

skforecast 0.13的新特性

支持python 3.12,不再支持python 3.8。
全局预测器ForecasterAutoregMultiSeries和ForecasterAutoregMultiSeriesCustom能够预测训练期间未见过的序列。当用户想预测训练数据中未包含的新序列时,这很有用。
全局预测器ForecasterAutoregMultiSeries和ForecasterAutoregMultiSeriesCustom中的encoding可以设置为None。此选项不会将编码的序列ID添加到回归器训练矩阵中。
所有递归和直接预测器中新增create_predict_X方法,允许用户检查传递给回归器预测方法的矩阵。
新增metrics模块,包含用于计算时间序列预测指标的函数,如mean_absolute_scaled_error和root_mean_squared_scaled_error。访问时间序列预测指标了解更多信息。
在backtesting_forecaster_multiseries中新增add_aggregated_metric参数,除了每个级别的指标外,还包括使用平均值(算术平均)、加权平均值(由每个级别的预测值数量加权)或汇总(所有级别的值汇总后计算指标)的所有级别的聚合指标。
在model_selection和model_selection_multiseries函数中新增skip_folds参数。它允许用户在回测期间跳过某些折叠,这对加速回测过程和超参数搜索很有用。
错误修复和性能改进。

预测器类型

skforecast库提供了多种预测器类型,每种类型都针对特定需求量身定制,如单个或多个时间序列、直接或递归策略、或自定义预测因子。无论具体的预测器类型如何,所有实例都共享相同的API。

预测器	单序列	多序列	递归策略	直接策略	概率预测	时间序列差分	外生特征	自定义特征
ForecasterAutoreg	✔️		✔️		✔️	✔️	✔️
ForecasterAutoregCustom	✔️		✔️		✔️	✔️	✔️	✔️
ForecasterAutoregDirect	✔️			✔️	✔️		✔️
ForecasterMultiSeries		✔️	✔️		✔️	✔️	✔️
ForecasterMultiSeriesCustom		✔️	✔️		✔️	✔️	✔️	✔️
ForecasterMultiVariate		✔️		✔️	✔️		✔️
ForecasterRNN		✔️		✔️
ForecasterSarimax	✔️		✔️		✔️	✔️	✔️

示例和教程

skforecast提供了丰富的示例和教程,帮助用户快速上手并掌握库的使用。以下是一些英文和西班牙语的教程链接:

英文教程:

西班牙语教程:

如何贡献

skforecast的开发主要包括添加和创建新的预测器、新的验证策略或改进当前代码的性能。然而,还有许多其他方式可以贡献:

在GitHub Issues上提交错误报告或功能请求。
为我们的示例贡献Jupyter笔记本。
为我们的项目编写单元或集成测试。
回答我们的问题,无论是在GitHub Issues、Stack Overflow还是其他地方。
将我们的文档翻译成另一种语言。
写一篇博客文章、发推文或与他人分享我们的项目。

有关如何为skforecast做出贡献的更多信息,请参阅我们的贡献指南。

访问我们的作者部分以了解所有为skforecast做出贡献的人。

引用

如果您在科学出版物中使用skforecast,我们将感谢您引用已发布的软件。

Zenodo:

Amat Rodrigo, Joaquin, & Escobar Ortiz, Javier. (2024). skforecast (v0.13.0). Zenodo. https://doi.org/10.5281/zenodo.8382788

APA:

Amat Rodrigo, J., & Escobar Ortiz, J. (2024). skforecast (Version 0.13.0) [Computer software]. https://doi.org/10.5281/zenodo.8382788

BibTeX:

@software{skforecast,
author = {Amat Rodrigo, Joaquin and Escobar Ortiz, Javier},
title = {skforecast},
version = {0.13.0},
month = {8},
year = {2024},
license = {BSD-3-Clause},
url = {https://skforecast.org/},
doi = {10.5281/zenodo.8382788}
}

捐赠

如果您觉得skforecast有用,您可以通过捐赠来支持我们。您的贡献将帮助我们继续开发和改进这个项目。非常感谢!

许可证

skforecast采