darts

Darts é uma biblioteca Python 3.10+ para treinar, avaliar e usar modelos em dados de séries temporais. Sua abstração TimeSeries suporta séries univariadas e multivariadas e pode trocar dados com pandas, Polars, NumPy, PyArrow, xarray e outros backends. Os modelos de previsão incluem ARIMA, VARIMA, ExponentialSmoothing, Prophet, N-BEATS e regressores compatíveis com scikit-learn. Os modelos seguem fluxos de trabalho consistentes de fit() e predict() e podem suportar múltiplas séries, pesos de amostra, janelas de saída deslocadas, covariáveis passadas observadas ou futuras conhecidas e covariáveis estáticas. Muitos modelos lidam com dados multivariados e previsões probabilísticas por meio de amostras, parâmetros de distribuição ou quantis. Modelos de previsão conformal podem produzir intervalos de quantis calibrados para modelos globais de previsão pré-treinados. A biblioteca também fornece backtesting de janela móvel, transformadores de reconciliação hierárquica, métricas de séries temporais incluindo R² e erro absoluto médio escalado, explicação baseada em SHAP para alguns modelos e transformações de dados como escalonamento, imputação, diferenciação e Box-Cox. Modelos de filtragem incluem KalmanFilter, GaussianProcessFilter e MovingAverageFilter. O módulo darts.ad combina pontuadores de anomalia, detectores e agregadores. Inclui exemplos como KMeansScorer e QuantileDetector, pode envolver modelos de previsão ou filtragem comparando previsões com valores reais e pode aplicar detectores PyOD através de PyODScorer. Modelos de aprendizado profundo usam PyTorch Lightning, com suporte para callbacks personalizados, GPUs ou TPUs e treinadores personalizados. A integração com MLflow suporta rastreamento de experimentos, comparação e persistência. A instalação está disponível via pip, e o README fornece links para um guia de início rápido, guia do usuário, referência da API, exemplos e artigos sobre tópicos.