Python中的时序分析工具包推荐（2）

最新推荐文章于 2024-10-11 10:50:22 发布

Small_Teenager

最新推荐文章于 2024-10-11 10:50:22 发布

阅读量1k

点赞数

分类专栏：时间序列分析文章标签： python 开发语言后端

原文链接：https://mp.weixin.qq.com/s/lBT-Ezkywn1crE5bUKxXvA

版权

时间序列分析专栏收录该内容

3 篇文章 1 订阅

订阅专栏

导读

在前期推文Python中的时序分析工具包推荐（1）中介绍了时序分析的三个工具包，分别侧重于时序特征工程、基于sklearn的时序建模和更为高级的时序建模工具。今天，本篇再来介绍4个时序分析好用的工具包：Prophet、Merlion、Darts和GluonTS。

延续前篇推文的风格，本文主要对四个时序工具包进行简要介绍，包括工具包的功能定位、主要特色及优劣势等，并列出了相关的论文、文档和github地址可供详细查阅。

01 Prophet

Prophet，英文原义有“预言家”或者“先知者”的含义，放在时间序列里，那么自然就是用于时序预测。这是一个由Facebook在2017年研究设计的时序分析工具，主要定位就是用于时序预测，如果按照时序预测的几种主流建模方式来加以区分的话，那么Prophet应当属于统计学模型流派。Prophet目前最新版本是1.0版本，其上一个版本是0.7，同时也刚好从1.0开始，该工具包更名为prophet，而之前的工具包则叫作为fbprophet，但主用的时序预测模型则都叫做Prophet。prophet工具包性能还是很强大的，最主要的是其自动化程度相当高，即使是全默认参数也能取得不错的效果，所以很多其他时序工具包都将其集成在内。

不过，prophet工具包的安装有些麻烦，主要是pystan依赖安装的问题。经过实践，利用conda源直接conda install prophet，可以顺利完成安装，体验较好。

Prophet实现时序预测的基本思想是将时间序列按成分分解为趋势性（Trend）、季节性（Seasonality，这里的季节性既包括年、月、周等日期属性上的季节性，也包括更为一般的周期性）、误差项（Error），以及考虑节假日等特殊日期的影响（Holiday）。相较于其他经典的统计学时序预测模型，Prophet除了成分分解更为细化之外，还考虑趋势性的拐点因素（Trend Changepoints），同时对节假日的处理也支持双重假日的影响（例如中国的节日中，国庆和中秋重叠的情况），以期来进一步考虑节假日对时序带来的冲击。

Prophet进行时序预测时，以dataframe作为输入数据类型，且该dataframe中要求含有ds和y两个字段，其中ds表示时间列，y表示时序变量，而后直接调用fit和predict接口就可以愉快的玩耍了。同时，Prophet还可以对预测结果进行快速可视化对比，下图中黑色散点为真实值，而蓝色区域则为预测的置信度范围。

关于Prophet的相关参考信息如下：

论文：https://peerj.com/preprints/3190.pdf
文档：https://facebook.github.io/prophet/docs
GitHub：https://github.com/facebook/prophet （13.9K star）

02 Merlion

Merlion是由美国salesforce公司新推出的一个时序分析工具，主要定位是时序预测（Forecasting）和异常检测（Anomaly Detection）。

于我个人而言，对salesforce的了解源于在使用AutoML工具transmogify，这也是由salesforce推出的一款基于Spark.ml的自动化机器学习框架。

Merlion因为在本次对比的几个时序分析工具中推出时间相对较晚，所以一定程度上占有后发优势。就时序预测和异常检测两类时序分析任务而言，Merlion既支持单变量也支持多变量的时序分析，而且还支持了模型融合（Ensemble）以及AutoML能力（可以理解为带有模型选择和自动调参功能的时序建模）。下图是Merlion的github中给出的和其他几个时序分析工具的功能覆盖对比图：

具体到时序预测任务，Merlion大体上支持统计学模型和机器学习模型，其中统计学模型包括ARIMA、ETS等常用模型外，也将Prophet集成进来；而机器学习模型则主要是基于决策树的集成模型，例如RF和GB等。同时，如前文所述，Merlion内置了AutoML能力，可以实现模型的选择和调参，同时也可方便的对多个模型的预测结果进行融合，毕竟在时序预测中不存在单一模型通吃所有数据集的情况。与Prophet类似，Merlion也支持自动绘制真实值和预测结果及置信区间的对比曲线，某种程度上比Prophet更加直观，如下图所示。

Merlion是我个人前期使用较多的一个工具，安装的话推荐使用离线安装（首先从github下载源码，然后pip install 文件夹）。与Prophet不同，由于Merlion既支持单变量也支持多变量，所以其内置了定制的输入数据格式TimeSeries类型，但也可以非常方便的从dataframe加载转换。

关于Merlion的相关参考信息如下：

论文：https://arxiv.org/abs/2109.09265
文档：https://opensource.salesforce.com/Merlion/v1.1.0/index.html
GitHub：https://github.com/salesforce/Merlion （2.3k star）

03 Darts

Darts工具包也是一个强大的时序分析工具，也支持了众多模型和任务场景，并提供了高度集成化的调用方式，包括Prophet也是其内置集成的模型之一。下图是Darts的Github中给出的模块功能阵列，从中可以看出支持的模型及所使用时序预测场景：

Darts给我的第一印象是其与Merlion十分接近，包括二者都是定制了一个TimeSeries数据类型作为模型的标准输入。但二者的主要区别也很明显，主要可概括如下：

Merlion支持的时序分析任务包括时序预测和异常检测；而Darts仅聚焦于时序预测问题；
Merlion支持的模型主要是统计学模型和传统机器学习模型，而Darts支持的模型更为丰富，最大的特色是深度学习模型，其中不乏Transformer、TCN等这些新的时序建模方法。

此外，Darts工具包也支持了包括Pipeline、自动调参等特性，也算是工程化支持较为完备的工具包。不过，个人在尝试使用时体验并不是很优秀

。

关于Darts的相关参考信息如下：

论文：https://arxiv.org/abs/2110.03224
文档：https://unit8co.github.io/darts
GitHub：https://github.com/unit8co/darts （3.3k star）

04 GluonTS

如果了解AutoML技术的读者肯定知道亚马逊出过一个AutoML框架，叫做AutoGluon，也正是从那时起我对gluon才有所了解，知晓这是亚马逊推出的一个深度学习框架（不过，至今也未曾深入调研和探索使用过。。），而GluonTS则是Gluon生态中用于实现时序建模的一个工具包，更确切的说是一个基于深度学习的概率时序模型工具，至于时序分析任务也是都支持时序预测和异常检测任务。

坦白地讲，GluonTS于我个人而言仅停留于阅读其官方Paper的层面，实际的工具尚未探索使用，所以对于其性能的描述也仅停留于眼见耳听，而缺乏动手实践，所以这里不做更多介绍。

关于GluonTS的相关参考信息如下：

论文：https://arxiv.org/abs/1906.05264v1
文档：https://ts.gluon.ai/
GitHub：https://github.com/awslabs/gluon-ts/（2.4k star）

05 小结

总体而言，四个时序工具包各有特色，功能覆盖各有千秋：

Prophet功能相对单一，仅适用于单变量的时序预测模型，而且也仅支持这一个模型。但与此同时，该模型也做到了高度专业和成熟，GitHub上的star数量高达13k之多，更是成了很多其他时序分析工具包的必备集成模型之一
Merlion定位于时序预测和异常检测场景，既支持单变量也支持多变量时序，模型以统计学模型和机器学习模型为主，一大亮点是支持时序建模的Auto能力和多模型的Ensemble能力
Darts也是时序分析工具的一个集大成者，主要面向的场景是时序预测任务，但在模型的丰富程度上更为出色，亮点是支持很多深度学习模型，包括Transformer、TCN等序列模型新星
GluonTS作为亚马逊Gluon生态中的时序建模工具，是一款主打深度学习模型的时序分析工具，适用任务包括时序预测和异常检测，但在模型使用灵活度方面个人感觉则要略逊于Merlion和Darts

考虑前期推文中介绍的tsfresh、tslearn、sktime三个工具，加之本文介绍的Prophet、Merlion、Darts和GluonTS四个工具，其实在应对主流的时序数据分析任务时基本是足够的。同时，以此为基础，更重要的是提升相关的理论基础，方能更好的使用和驾驭这些工具，也才不枉成为一名真正的算法工程师调包侠。