面向时间序列分析与建模的Python库一览

Darts 同样在一个包中涵盖了广泛的模型目录，涵盖指数平滑、ARIMA、梯度提升回归以及多种深度学习架构。 资源：Darts 文档和 Darts 示例与教程 大多数时间序列库侧重于预测。然而，stumpy 计算的是矩阵剖面（matrix profile），这是一种记录序列中每个子序列与其最近邻之间距离的结构。该结构支持无需标注数据的模式发现、异常检测和模式识别。 stumpy 对时间序列模式发现的有用之处在于： 当问题是“这些数据中存在哪些模式”而非“接下来会发生什么”时，stumpy 往往是正确的工具。它在生产监控中与预测库形成互补。 资源：stumpy 文档和 stumpy GitHub 仓库 对于表格和多变量特征矩阵上的异常检测，PyOD 是现有最全面的库。其当前主要版本在一个接口下实现了 60 多种检测算法，并已从表格数据扩展到时间序列、图、文本和图像数据。 PyOD 对离群点检测的有用之处在于： PyOD 最常用于工程化特征矩阵——滚动统计量、滞后特征、频率成分——而非直接用于原始序列。 资源：PyOD 文档和 PyOD GitHub 仓库 当经典模型和基于机器学习的模型达到瓶颈时，深度学习可以弥合差距。Nixtla 的 NeuralForecast 以生产友好的包形式，将大量神经预测架构引入 Python。 NeuralForecast 的特性包括： NeuralForecast 是更广泛的 Nixtla 生态系统的一部分，与用于快速经典模型的 StatsForecast 和用于梯度提升的 MLForecast 并列。 资源：NeuralForecast 文档和 NeuralForecast GitHub 仓库 这七个库覆盖了完整的时间序列技术栈，从可解释的统计模型到可扩展的深度学习和无监督异常检测。以下是概览： 熟悉这些库的最佳方式是将它们应用于同一数据集并比较结果。理解模型为何对给定问题以某种方式工作，比任何基准测试表都能让你更深入地了解你的数据。