darts 是一個(gè)專門用于時(shí)間序列分析、建模與預(yù)測(cè)的 Python 庫(kù)，提供統(tǒng)一而高層的 API，集成了統(tǒng)計(jì)模型（如 ARIMA）、機(jī)器學(xué)習(xí)模型（如 LightGBM）、深度學(xué)習(xí)模型（如 RNN、Transformer、N-BEATS、TCN 等）以及時(shí)間序列特有的處理工具（如窗口生成、協(xié)變量管理、回測(cè)、誤差評(píng)估等）。

darts 的設(shè)計(jì)目標(biāo)是讓時(shí)間序列預(yù)測(cè)像使用 scikit-learn 一樣簡(jiǎn)單，同時(shí)讓深度學(xué)習(xí)模型的構(gòu)建更加易用。

安裝 ：

pip install darts

如需使用深度學(xué)習(xí)模型：

pip install darts[u]

常見應(yīng)用場(chǎng)景：

（1）時(shí)間序列預(yù)測(cè)（Forecasting）

使用 ARIMA、RNN、Transformer、N-BEATS 等模型進(jìn)行未來值預(yù)測(cè)。

（2）多元時(shí)間序列建模

支持多變量輸入、協(xié)變量（covariates）、滯后特征等復(fù)雜數(shù)據(jù)結(jié)構(gòu)。

（3）回測(cè)與模型評(píng)估

內(nèi)置回測(cè)、滾動(dòng)預(yù)測(cè)、交叉驗(yàn)證與誤差指標(biāo)。

（4）異常檢測(cè)

支持時(shí)間序列的異常值檢測(cè)及預(yù)測(cè)殘差分析。

（5）時(shí)間序列處理

提供插值、縮放、缺失值填補(bǔ)、時(shí)間對(duì)齊等操作。

（6）深度學(xué)習(xí)時(shí)間序列模型

內(nèi)置 PyTorch 實(shí)現(xiàn)的專業(yè)算法，如：

? RNNModel

? TCNModel

? NBEATSModel

? TransformerModel

? TFTModel（Temporal Fusion Transformer）

擁有高性能與易用性的平衡。

◆ ◆ ◆

核心概念

1、TimeSeries 對(duì)象（核心數(shù)據(jù)結(jié)構(gòu)）

darts 所有模型的輸入與輸出均為 TimeSeries 類型。

它包含：

? 時(shí)間索引（DatetimeIndex 或 RangeIndex）

? 數(shù)據(jù)列（可以是一列或多列）

? 可選的附加維度（例如多個(gè)樣本）

創(chuàng)建方式示例：

series = TimeSeries.from_dataframe(df, "date", "value")

2、預(yù)測(cè)模型（Models）

darts 的模型分為：

? 統(tǒng)計(jì)模型（ARIMA、Exponential Smoothing、Theta 等）

? 機(jī)器學(xué)習(xí)模型（RegressionModel）

? 深度學(xué)習(xí)模型（NBEATS、RNN、TFT 等）

? EnsembleModel（用于模型集成）

每一個(gè)模型都提供統(tǒng)一的 API：

forecast = model.predict(n)

3、協(xié)變量（Covariates）

時(shí)間序列預(yù)測(cè)常需要外生變量，如：

? 天氣

? 節(jié)假日

? 商品價(jià)格

? 滯后窗口

darts 支持三類協(xié)變量：

? past_covariates：過去已知的數(shù)據(jù)

? future_covariates：未來已知的數(shù)據(jù)（如節(jié)日表）

? static_covariates：不會(huì)隨時(shí)間變化的特征

4、回測(cè)（Backtesting）

darts 內(nèi)置回測(cè)工具，通過滑動(dòng)窗口自動(dòng)評(píng)估模型表現(xiàn)：

)

5、誤差指標(biāo)（Metrics）

支持：

? MAE

? RMSE

? MAPE

? SMAPE

? DTW 距離

? R2 score

用于評(píng)估預(yù)測(cè)效果。

◆ ◆ ◆

應(yīng)用舉例

例 1：加載數(shù)據(jù)并創(chuàng)建 TimeSeries

series = TimeSeries.from_dataframe(df, "date", "sales")

例 2：使用 ARIMA 進(jìn)行預(yù)測(cè)

forecast.plot(label="forecast")

例 3：使用深度學(xué)習(xí)模型（N-BEATS）

prediction = model.predict(12)

例 4：使用協(xié)變量進(jìn)行多元預(yù)測(cè)（RNN）

forecast = model.predict(7, future_covariates=weather_series)

例 5：回測(cè)評(píng)估模型

print("SMAPE:", error)

◆ ◆ ◆

常用函數(shù)與類速覽

TimeSeries.from_dataframe(df, time_col, value_cols)

從 DataFrame 創(chuàng)建時(shí)間序列對(duì)象。

參數(shù)：

df：pandas DataFrame。

time_col：時(shí)間列名。

value_cols：數(shù)值列名或列表。

返回：TimeSeries 實(shí)例。

model.fit(series, **covariates)

訓(xùn)練模型。

參數(shù)：

series：目標(biāo)時(shí)間序列。

past_covariates：可選，歷史協(xié)變量。

future_covariates：可選，未來協(xié)變量。

返回：無。

model.predict(n, **covariates)

預(yù)測(cè)未來 n 步。

參數(shù)：

n：預(yù)測(cè)步數(shù)。

future_covariates：未來外生變量。

返回：TimeSeries 類型的預(yù)測(cè)結(jié)果。

model.backtest(series, forecast_horizon, metric)

對(duì)時(shí)間序列執(zhí)行滑動(dòng)窗口回測(cè)。

參數(shù)：

series：目標(biāo)時(shí)間序列。

forecast_horizon：一次預(yù)測(cè)步數(shù)。

metric：誤差函數(shù)。

返回：float（誤差值）。

TimeSeries.plot()

快速繪制時(shí)間序列。

參數(shù)： 無。

返回： 無（生成圖形）。

小結(jié)

darts 是一套現(xiàn)代化的時(shí)間序列分析框架，具有以下優(yōu)勢(shì)：

? 統(tǒng)一的 API，幾十種模型可無縫切換

? 內(nèi)置深度學(xué)習(xí)模型，支持 PyTorch 訓(xùn)練

? 支持協(xié)變量、窗口生成、多元時(shí)間序列

? 強(qiáng)大的回測(cè)工具與評(píng)估指標(biāo)

? TimeSeries 統(tǒng)一數(shù)據(jù)結(jié)構(gòu)，簡(jiǎn)化時(shí)間序列處理

? 可從快速原型擴(kuò)展到企業(yè)級(jí)模型

無論你是做金融預(yù)測(cè)、供應(yīng)鏈預(yù)測(cè)，還是做科學(xué)研究或智能調(diào)度，darts 都提供穩(wěn)定、靈活而完整的工具鏈。

“點(diǎn)贊有美意，贊賞是鼓勵(lì)”