5个用于高级时间序列预测的Python库

5个用于高级时间序列预测的Python库
图片来源：Editor

引言

预测未来一直是分析领域的圣杯。无论是优化供应链物流、管理能源电网负荷，还是预估金融市场波动，时间序列预测往往是驱动关键决策的引擎。然而，虽然概念很简单——即利用历史数据来预测未来值——但实际执行却出了名地困难。现实世界的数据很少能遵循入门教科书中那些干净、线性的趋势。

幸运的是，Python的生态系统已经发展起来以满足这种需求。目前的格局已经从纯粹的统计包，转变为一整套丰富的库，这些库集成了深度学习、机器学习流水线和经典计量经济学。但面对如此多的选择，选择正确的框架可能会让人感到不知所措。

本文将拨开迷雾，重点介绍5个专为高级时间序列预测设计的强大Python库。我们将超越基础知识，探索那些有能力处理高维数据、复杂季节性和外生变量的工具。对于每个库，我们都提供了一个高层级的概述，介绍其突出特点，并附有一个简洁的“Hello World”代码片段，以便您立即熟悉。

1. Statsmodels

statsmodels 为非平稳和多元时间序列预测提供了顶级的模型，主要基于统计和计量经济学中的方法。它还允许用户明确控制季节性、外生变量和趋势分量。

此示例展示了如何导入和使用该库的SARIMAX模型（带有外生回归量的季节性自回归积分移动平均模型）：

from statsmodels.tsa.statespace.sarimax import SARIMAX
model = SARIMAX(y, exog=X, order=(1,1,1), seasonal_order=(1,1,1,12))
res = model.fit()
forecast = res.forecast(steps=12, exog=X_future)

2. Sktime

喜欢scikit-learn 吗？好消息！sktime 在框架风格上模仿了流行的机器学习库，非常适合高级预测任务，它通过机器学习模型的降维和流水线组合实现了面板数据和多元预测。

例如，make_reduction() 函数接受一个机器学习模型作为基础组件，并应用递归来执行多步预测。请注意，fh 是“预测范围”（forecasting horizon），允许预测n步，而 X_future 用于包含外生属性的未来值（如果模型使用它们的话）。

from sktime.forecasting.compose import make_reduction
from sklearn.ensemble import RandomForestRegressor

forecaster = make_reduction(RandomForestRegressor(), strategy="recursive")
forecaster.fit(y_train, X_train)
y_pred = forecaster.predict(fh=[1,2,3], X=X_future)

3. Darts

与其他框架相比，Darts 库以其简洁性而著称。它提供的高级API结合了经典模型和深度学习模型，以解决概率性和多元预测问题。它还能有效地捕获过去和未来的协变量。

此示例展示了如何使用Darts对N-BEATS模型（用于可解释时间序列预测的神经基线扩展分析）的实现，这是一个处理复杂时间模式的准确选择。

from darts.models import NBEATSModel

model = NBEATSModel(input_chunk_length=24, output_chunk_length=12, n_epochs=10)
model.fit(series, verbose=True)
forecast = model.predict(n=12)

4. PyTorch Forecasting

对于具有海量数据的高维和大规模预测问题，PyTorch Forecasting 是一个可靠的选择，它整合了最先进的预测模型，如时间融合变换器（TFT），以及模型可解释性工具。

以下代码片段以简化的方式说明了TFT模型的用法。虽然示例中没有明确显示，但该库中的模型通常是从 TimeSeriesDataSet 实例化的（在示例中，dataset 将扮演该角色）。

from pytorch_forecasting import TemporalFusionTransformer

tft = TemporalFusionTransformer.from_dataset(dataset)
tft.fit(train_dataloader)
pred = tft.predict(val_dataloader)

5. GluonTS

最后，GluonTS 是一个基于深度学习的库，专注于概率性预测，使其非常适合处理大型时间序列数据集中的不确定性，包括那些具有非平稳特征的数据集。

我们以一个示例结束，该示例展示了如何导入GluonTS的模块和类——训练一个深度自回归模型（DeepAR）进行概率时间序列预测，该模型预测的是未来值的分布，而不是单一的点的预测：

from gluonts.model.deepar import DeepAREstimator
from gluonts.mx.trainer import Trainer

estimator = DeepAREstimator(freq="D", prediction_length=14, 
                            trainer=Trainer(epochs=5))
predictor = estimator.train(train_data)

总结

从这个工具库中选择合适的工具，取决于您在可解释性、训练速度和数据规模之间的具体权衡。虽然Statsmodels等经典库提供了统计严谨性，但Darts和GluonTS等现代框架正在推动深度学习在时间序列数据应用中的界限。

在高级预测中，很少存在“一刀切”的解决方案，因此我们鼓励您将这些代码片段用作启动台，将多种方法相互比较进行基准测试。尝试不同的架构和外生变量，看看哪个库最能捕捉到信号的细微差别。

工具已经备好；现在是时候将历史的“噪音”转化为可操作的未来洞察了。