darts

Darts — это библиотека Python 3.10+ для обучения, оценки и использования моделей на данных временных рядов. Её абстракция TimeSeries поддерживает одномерные и многомерные ряды и может обмениваться данными с pandas, Polars, NumPy, PyArrow, xarray и другими бэкендами. Модели прогнозирования включают ARIMA, VARIMA, ExponentialSmoothing, Prophet, N-BEATS и регрессоры, совместимые с scikit-learn. Модели следуют единообразным рабочим процессам fit() и predict() и могут поддерживать несколько рядов, веса выборок, сдвинутые окна вывода, ковариаты прошлого или будущего, а также статические ковариаты. Многие модели работают с многомерными данными и вероятностными прогнозами через выборки, параметры распределения или квантили. Модели конформного прогнозирования могут создавать откалиброванные квантильные интервалы для предварительно обученных глобальных моделей прогнозирования. Библиотека также предоставляет скользящий бэктестинг, трансформеры иерархического согласования, метрики временных рядов, включая R² и среднюю абсолютную масштабированную ошибку, объяснение на основе SHAP для некоторых моделей, а также преобразования данных, такие как масштабирование, импутация, дифференцирование и Бокс-Кокс. Модели фильтрации включают KalmanFilter, GaussianProcessFilter и MovingAverageFilter. Модуль darts.ad объединяет скореры аномалий, детекторы и агрегаторы. Он включает примеры, такие как KMeansScorer и QuantileDetector, может оборачивать модели прогнозирования или фильтрации, сравнивая прогнозы с фактическими значениями, и применять детекторы PyOD через PyODScorer. Модели глубокого обучения используют PyTorch Lightning с поддержкой пользовательских колбэков, GPU или TPU и пользовательских тренеров. Интеграция с MLflow поддерживает отслеживание экспериментов, сравнение и сохранение. Установка доступна через pip, а в README есть ссылки на краткое руководство, руководство пользователя, справочник API, примеры и тематические статьи.