2024年最新时间序列预测的7种Python工具包，总有一款适合你

df_shift, y_air = make_forecasting_frame(df_air[“Passengers”], kind=“Passengers”, max_timeshift=12, rolling_direction=1)

print(df_shift)

数据需要被格式化为如下格式：

Getting Comprehensive Features

extraction_settings = ComprehensiveFCParameters()

X = extract_features(df_shift, column_id=“id”, column_sort=“time”, column_value=“value”, impute_function=impute,show_warnings=False,default_fc_parameters=extraction_settings)

从上面的输出中，我们可以看到大约创建了800个特征。tsfresh还有助于基于p值的特征选择。更多详细信息可以查看Github: https://github.com/blue-yonder/tsfresh

官方文档 https://tsfresh.readthedocs.io/en/latest/index.html

2、autots

AutoTS 是一个自动化的时间序列预测库，可以使用简单的代码训练多个时间序列模型，此库的一些最佳功能包括：

• 利用遗传规划优化方法寻找最优时间序列预测模型。

• 提供置信区间预测值的下限和上限。

• 它训练各种各样的模型，如统计的，机器学习以及深度学习模型

• 它还可以执行最佳模型的自动集成

• 它还可以通过学习最优NaN插补和异常值去除来处理混乱的数据

• 它可以运行单变量和多变量时间序列

让我们以苹果股票数据集为例，更详细地了解一下：

Loading the package

from autots import AutoTS

import matplotlib.pyplot as plt

import pandas as pd

Reading the data

df = pd.read_csv(‘…/input/apple-aapl-historical-stock-data/HistoricalQuotes.csv’)

Doing some preprocessing

def remove_dollar(x):

return x[2:]

df[’ Close/Last’] = df[’ Close/Last’].apply(remove_dollar)

df[’ Close/Last’] = df[’ Close/Last’].astype(float)

df[‘Date’] = pd.to_datetime(df[‘Date’])

Plot to see the data:

df = df[[“Date”, " Close/Last"]]

df[“Date”] = pd.to_datetime(df.Date)

temp_df = df.set_index(‘Date’)

temp_df[" Close/Last"].plot(figsize=(12, 8), title=“Apple Stock Prices”, fontsize=20, label=“Close Price”)

plt.legend()

plt.grid()

plt.show()

model = AutoTS(forecast_length=40, frequency=‘infer’, ensemble=‘simple’, drop_data_older_than_periods=100)

model = model.fit(df, date_col=‘Date’, value_col=’ Close/Last’, id_col=None)

这将运行数百个模型。你将在输出窗格中看到运行的各种模型。让我们看看模型如何预测：

prediction = model.predict()

forecast = prediction.forecast

print(“Stock Price Prediction of Apple”)

print(forecast)

temp_df[’ Close/Last’].plot(figsize=(15,8), title= ‘AAPL Stock Price’, fontsize=18, label=‘Train’)

forecast[’ Close/Last’].plot(figsize=(15,8), title= ‘AAPL Stock Price’, fontsize=18, label=‘Test’)

plt.legend()

plt.grid()

plt.show()

更多详细信息可以查看 Github: https://github.com/winedarksea/AutoTS

官网文档: https://winedarksea.github.io/AutoTS/build/html/source/tutorial.html

3、Prophet

Prophet是Facebook研究团队开发的知名时间序列软件包，于2017年首次发布，适用于具有强烈季节性影响的数据和多个季节的历史数据。它具有高度的用户友好性和可定制性，只需进行最少的设置。

让我们看一个简单的例子：

Loading the library

import pandas as pd

import matplotlib.pyplot as plt

from fbprophet import Prophet

Loading the data from the repo:

df = pd.read_csv(“https://raw.githubusercontent.com/facebook/prophet/master/examples/example_wp_log_peyton_manning.csv”)

Fitting the model

model = Prophet()

model.fit(df) #fit the model.

Predict

future = model.make_future_dataframe(periods=730) # predicting for ~ 2 years

forecast = model.predict(future) # Predict future

Plot results

fig1 = model.plot(forecast) # Plot the fit to past data and future forcast.

fig2 = model.plot_components(forecast) # Plot breakdown of components.

plt.show()

forecast # Displaying various results in table format.

趋势图和季节性图如下所示：

我们还可以看到预测以及所有的置信区间

更多详细信息可以查看Github: https://github.com/facebook/prophet

文档: https://facebook.github.io/prophet/

4、darts:

Darts 是另一个 Python 包，它有助于时间序列的操作和预测。语法是“sklearn-friendly”，使用fit和predict函数来实现目标。此外，它还包含了从 ARIMA 到神经网络的各种模型。

该软件包最好的部分是它不仅支持单变量，而且还支持多变量时间序列和模型。该库还可以方便地对模型进行回溯测试，并将多个模型的预测和外部回归组合起来。让我们举一个简单的例子来了解它的工作原理：

#Loading the package

from darts import TimeSeries

from darts.models import ExponentialSmoothing

import matplotlib.pyplot as plt

Reading the data

data = pd.read_csv(‘…/input/air-passengers/AirPassengers.csv’)

series = TimeSeries.from_dataframe(data, ‘Month’, ‘#Passengers’)

print(series)

Splitting the series in train and validation set

train, val = series.split_before(pd.Timestamp(‘19580101’))

Applying a simple Exponential Smoothing model

model = ExponentialSmoothing()

感谢每一个认真阅读我文章的人，看着粉丝一路的上涨和关注，礼尚往来总是要有的：

①　2000多本Python电子书（主流和经典的书籍应该都有了）

②　Python标准库资料（最全中文版）

③　项目源码（四五十个有趣且经典的练手项目及源码）

④　Python基础入门、爬虫、web开发、大数据分析方面的视频（适合小白学习）

⑤ Python学习路线图（告别不入流的学习）

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！