快捷導(dǎo)航

python機(jī)器學(xué)習(xí)darts時(shí)間序列預(yù)測(cè)和分析

更新時(shí)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(jī)器學(xué)習(xí)darts時(shí)間序列預(yù)測(cè)和分析使用實(shí)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(jìn)步,早日升職加薪

python庫(kù)darts

今天給大家分享一個(gè)神奇的 python 庫(kù)，darts

darts 是一個(gè)用于時(shí)間序列預(yù)測(cè)和分析的 Python 庫(kù)。它支持多種時(shí)間序列模型，包括經(jīng)典統(tǒng)計(jì)學(xué)模型和最新的機(jī)器學(xué)習(xí)模型，它還設(shè)計(jì)了簡(jiǎn)單直觀的 API，使得即使是時(shí)間序列分析的初學(xué)者也能輕松上手。

特點(diǎn)

darts 具有如下特點(diǎn)

預(yù)測(cè)模型：darts 支持多種時(shí)間序列模型，包括經(jīng)典統(tǒng)計(jì)學(xué)模型（如 ARIMA、指數(shù)平滑法）和最新的機(jī)器學(xué)習(xí)模型（如 Prophet、RNN）
異常檢測(cè)：darts 提供廣泛的異常檢測(cè)功能。例如，在時(shí)間序列上應(yīng)用 PyOD 模型來(lái)獲取異常分?jǐn)?shù)。
多變量支持：TimeSeries 可以是多變量的，即包含多個(gè)隨時(shí)間變化的維度而不是單個(gè)標(biāo)量值。
分層協(xié)調(diào)：darts 提供了轉(zhuǎn)換器來(lái)執(zhí)行協(xié)調(diào)。這些可以使預(yù)測(cè)以尊重底層層次結(jié)構(gòu)的方式進(jìn)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(biāo)序列和協(xié)變量的滯后值函數(shù)的預(yù)測(cè)。
可解釋性：darts 能夠使用 Shap 值解釋一些預(yù)測(cè)模型。
數(shù)據(jù)處理：輕松應(yīng)用時(shí)間序列數(shù)據(jù)常見(jiàn)轉(zhuǎn)換的工具。
Metrics：評(píng)估時(shí)間序列擬合的多種指標(biāo)。
回溯測(cè)試：使用移動(dòng)時(shí)間窗口模擬歷史預(yù)測(cè)的實(shí)用程序。
PyTorch Lightning 支持：所有深度學(xué)習(xí)模型均使用 PyTorch Lightning 實(shí)現(xiàn)，支持自定義回調(diào)、GPU/TPU 訓(xùn)練和自定義訓(xùn)練器等。
過(guò)濾模型：darts 提供三種過(guò)濾模型，KalmanFilter、GaussianProcessFilter 和 MovingAverageFilter，它們?cè)试S過(guò)濾時(shí)間序列。
數(shù)據(jù)集：darts.datasets 子模塊包含一些流行的時(shí)間序列數(shù)據(jù)集，用于快速且可重復(fù)的實(shí)驗(yàn)。

庫(kù)的安裝

可以直接通過(guò) pip 進(jìn)行安裝。

注意，需要對(duì)應(yīng)的 python 版本大于等于 3.8

pip install darts

預(yù)測(cè)

首先我們通過(guò) pandas 來(lái)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(lái)訓(xùn)練一個(gè)指數(shù)平滑模型，并對(duì)驗(yàn)證集進(jìn)行預(yù)測(cè)。

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(cè)

首先，我們加載一個(gè)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(lái)，構(gòu)建一個(gè) k-means 異常評(píng)分器，在訓(xùn)練集上對(duì)其進(jìn)行訓(xùn)練，并在驗(yàn)證集上使用它來(lái)獲取異常分?jǐn)?shù)。

from darts.ad import KMeansScorer

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

然后構(gòu)建一個(gè)二元異常檢測(cè)器并通過(guò)訓(xùn)練分?jǐn)?shù)對(duì)其進(jìn)行訓(xùn)練，然后使用它對(duì)驗(yàn)證分?jǐn)?shù)來(lái)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)