关于机器学习:7个最新的时间序列分析库介绍和代码示例

工夫序列剖析包含查看随着时间推移收集的数据点，目标是确定能够为将来预测提供信息的模式和趋势。咱们曾经介绍过很多个工夫序列剖析库了，然而随着时间推移，新的库和更新也在一直的呈现，所以本文将分享 8 个目前比拟罕用的，用于解决工夫序列问题的 Python 库。他们是 tsfresh, autots, darts, atspy, kats, sktime, greykite。

Tsfresh 在工夫序列特征提取和抉择方面功能强大。它旨在主动从工夫序列数据中提取大量特色，并辨认出最相干的特色。Tsfresh 反对多种工夫序列格局，可用于分类、聚类和回归等各种应用程序。

 importpandasaspd
 fromtsfreshimportextract_features
 fromtsfresh.utilities.dataframe_functionsimportmake_forecasting_frame
 
 # Assume we have a time series dataset `data` with columns "time" and "value"
 data=pd.read_csv('data.csv')
 
 # We will use the last 10 points to predict the next point
 df_shift, y=make_forecasting_frame(data["value"], kind="value", max_timeshift=10, rolling_direction=1)
 
 # Extract relevant features using tsfresh
 X=extract_features(df_shift, column_id="id", column_sort="time", column_value="value", impute_function=impute)

autots 是另一个用于工夫序列预测的 Python 库：

提供了单变量和多变量工夫序列预测的各种算法，包含 ARIMA, ETS, Prophet 和 DeepAR。
为最佳模型执行主动模型集成。
提供了上界和下界的置信区间预测。
通过学习最优 NaN imputation 和异样值去除来解决数据。

 fromautots.datasetsimportload_monthly
 
 df_long=load_monthly(long=True)
 
 fromautotsimportAutoTS
 
 model=AutoTS(
     forecast_length=3,
     frequency='infer',
     ensemble='simple',
     max_generations=5,
     num_validations=2,
 )
 model=model.fit(df_long, date_col='datetime', value_col='value', id_col='series_id')
 
 # Print the description of the best model
 print(model)

darts(Data Analytics and Real-Time Systems)有多种工夫序列预测模型，包含 ARIMA、Prophet、指数平滑的各种变体，以及各种深度学习模型，如 LSTMs、gru 和 tcn。Darts 还具备用于穿插验证、超参数调优和特色工程的内置办法。

darts 的一个要害特色是可能进行概率预测。这意味着，不仅能够为每个工夫步骤生成单点预测，还能够生成可能后果的散布，从而更全面地了解预测中的不确定性。

 importpandasaspd
 importmatplotlib.pyplotasplt
 
 fromdartsimportTimeSeries
 fromdarts.modelsimportExponentialSmoothing
 
 # Read data
 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:]
 
 # Fit an exponential smoothing model, and make a (probabilistic) 
 # prediction over the validation series’duration
 model=ExponentialSmoothing()
 model.fit(train)
 prediction=model.predict(len(val), num_samples=1000)
 
 # Plot the median, 5th and 95th percentiles
 series.plot()
 prediction.plot(label="forecast", low_quantile=0.05, high_quantile=0.95)
 plt.legend()

atspy，能够简略地加载数据并指定要测试的模型，如上面的代码所示。

 # Importing packages
 importpandasaspd
 fromatspyimportAutomatedModel
 
 # Reading data
 df=pd.read_csv("AirPassengers.csv", delimiter=",")
 
 # Preprocessing data 
 data.columns= ['month','Passengers']
 data['month'] =pd.to_datetime(data['month'],infer_datetime_format=True,format='%y%m')
 data.index=data.month
 df_air=data.drop(['month'], axis=1)
 
 # Select the models you want to run:
 models= ['ARIMA','Prophet']
 run_models=AutomatedModel(df=df_air, model_list=models, forecast_len=10)

该包提供了一组齐全自动化的模型。包含:

kats (kit to Analyze Time Series)是一个由 Facebook(当初的 Meta)开发的 Python 库。这个库的三个外围个性是:

模型预测: 提供了一套残缺的预测工具，包含 10+ 个独自的预测模型、集成、元学习模型、回溯测试、超参数调优和教训预测区间。

检测:Kats 反对检测时间序列数据中的各种模式的函数，包含季节性、异样、变动点和迟缓的趋势变动。

特征提取和嵌入:Kats 中的工夫序列特色 (TSFeature) 提取模块能够生成 65 个具备明确统计定义的特色，可利用于大多数机器学习 (ML) 模型，如分类和回归。

 # pip install kats
 
 importpandasaspd
 fromkats.constsimportTimeSeriesData
 fromkats.models.prophetimportProphetModel, ProphetParams
 
 # Read data
 df=pd.read_csv("AirPassengers.csv", names=["time", "passengers"])
 
 # Convert to TimeSeriesData object
 air_passengers_ts=TimeSeriesData(air_passengers_df)
 
 # Create a model param instance
 params=ProphetParams(seasonality_mode='multiplicative')
 
 # Create a prophet model instance
 m=ProphetModel(air_passengers_ts, params)
 
 # Fit model simply by calling m.fit()
 m.fit()
 
 # Make prediction for next 30 month
 forecast=m.predict(steps=30, freq="MS")
 forecast.head()

sktime 是一个用于工夫序列剖析的库，它构建在 scikit-learn 之上，并遵循相似的 API，能够轻松地在两个库之间切换。上面是如何应用 Sktime 进行工夫序列分类的示例:

 fromsktime.datasetsimportload_arrow_head
 fromsktime.classification.composeimportTimeSeriesForestClassifier
 fromsktime.utils.samplingimporttrain_test_split
 
 # Load ArrowHead dataset
 X, y=load_arrow_head(return_X_y=True)
 
 # Split data into train and test sets
 X_train, X_test, y_train, y_test=train_test_split(X, y)
 
 # Create and fit a time series forest classifier
 classifier=TimeSeriesForestClassifier(n_estimators=100)
 classifier.fit(X_train, y_train)
 
 # Predict labels for the test set
 y_pred=classifier.predict(X_test)
 
 # Print classification report
 fromsklearn.metricsimportclassification_report
 print(classification_report(y_test, y_pred))

greykite 是 LinkedIn 公布的一个工夫序列预测库。该库能够解决简单的工夫序列数据，并提供一系列性能，包含自动化特色工程、探索性数据分析、预测管道和模型调优。

 fromgreykite.common.data_loaderimportDataLoader
 fromgreykite.framework.templates.autogen.forecast_configimportForecastConfig
 fromgreykite.framework.templates.autogen.forecast_configimportMetadataParam
 fromgreykite.framework.templates.forecasterimportForecaster
 fromgreykite.framework.templates.model_templatesimportModelTemplateEnum
 
 # Defines inputs
 df=DataLoader().load_bikesharing().tail(24*90)  # Input time series (pandas.DataFrame)
 config=ForecastConfig(metadata_param=MetadataParam(time_col="ts", value_col="count"),  # Column names in `df`
      model_template=ModelTemplateEnum.AUTO.name,  # AUTO model configuration
      forecast_horizon=24,   # Forecasts 24 steps ahead
      coverage=0.95,         # 95% prediction intervals
  )
 
 # Creates forecasts
 forecaster=Forecaster()
 result=forecaster.run_forecast_config(df=df, config=config)
 
 # Accesses results
 result.forecast     # Forecast with metrics, diagnostics
 result.backtest     # Backtest with metrics, diagnostics
 result.grid_search  # Time series CV result
 result.model        # Trained model
 result.timeseries   # Processed time series with plotting functions

咱们能够看到，这些工夫序列的库次要性能有 2 个方向，一个是特色的生成，另外一个就是多种工夫序列预测模型的集成，所以无论是解决单变量还是多变量数据，它们都能够满足咱们的需要，然而具体用那个还要看具体的需要和应用的习惯。

https://avoid.overfit.cn/post/45451d119a154aeba72bf8dd3eaa9496

作者：Joanna

关于机器学习:7个最新的时间序列分析库介绍和代码示例

1、Tsfresh

2、AutoTS

3、darts

4、AtsPy

5、kats

6、Sktime

7、GreyKite

总结