【机器学习】开源时间序列工具包汇总

最新推荐文章于 2024-11-05 11:26:05 发布
最新推荐文章于 2024-11-05 11:26:05 发布
阅读量157 收藏
点赞数
文章标签： 机器学习 人工智能
原文链接：https://mp.weixin.qq.com/s?__biz=MzIwODI2NDkxNQ==&mid=2247518949&idx=2&sn=7d4e26568d42e12dc5dbc8bf8104ba4d&chksm=960e77b8db5226ed31cbe27851a837b730a95ed2c242a8ec220ac645f814a045b97b97cc6b41&scene=126&sessionid=0
版权

作者：杰

开源时间序列工具包汇总。

01

TSFresh(6.3k+)

  • https://tsfresh.readthedocs.io/en/latest/

tsfresh是一个python包，它会自动计算大量的时间序列特征。此外，该软件包还包含评估此类特征对回归或分类任务的解释能力和重要性的方法。tsfresh可以自动提取特征构建特征。如下图所示，tsfresh可以自动从时间序列中提取100秒的特征。这些特征描述了时间序列的基本特征，如

  • 峰值数量；

  • 平均值或最大值；

  • 更复杂的特征，如时间反转对称性统计。

99d73a7cb7f2e95cc65b991c44a6c003.png

这些特征可以用来构建时间序列上的统计或机器学习模型，例如用于回归或分类任务。

02

Sktime(5.2k+)

Sktime是Python中用于时间序列分析的库。它为多个时间序列学习任务提供了统一的界面。目前，这包括:

  • 时间序列分类、回归、聚类、预测等。

它配有时间序列算法和scikit learn兼容工具，用于构建、调整和验证时间序列模型。

目前Sktime包含了大量的时间序列模型，详见：https://www.sktime.org/en/stable/estimator_overview.html

03

TSlib(4.9k+)

Time Series Library (TSlib)(4.9K+)

TSlib是一个开源库，专为深度学习研究人员设计，特别是深度时间序列分析。

我们提供了一个整洁的代码库，用于评估先进的深度时间序列模型或开发您自己的模型，涵盖了五个主流任务：长期和短期预测、填充、异常检测和分类。

截止2024年，五个不同任务的最佳三个模型如下：

1c21fde31aab122c55d1f97021a418b8.png

详情参考：https://github.com/thuml/Time-Series-Library

04

Darts(3.9k)

Darts(GitHub:3.9K+)

  • https://github.com/unit8co/darts

Darts是一个Python库，要求Python 3.7及以上版本为佳，Darts包含非常多的模型，从经典的ARIMA到深度神经网络。

  • Darts中的模型可以以只饿极使用fit（）和predict（）函数，类似于scikit learn。

  • Darts可以方便地对模型进行回溯测试，组合多个模型的预测，并加入外部数据。

  • Darts支持单变量和多变量时间序列和模型。

4749a9730b8885dc6b9d4b024b65102d.png

Darts中包含的模型列表如下：

ModelUnivariateMultivariateProbabilisticMultiple-series trainingPast-observed covariates supportFuture-known covariates supportReference
ARIMA✅
✅

✅
VARIMA✅✅


✅
AutoARIMA✅



✅
StatsForecastAutoARIMA (faster AutoARIMA)✅
✅

✅statsforecast
ExponentialSmoothing✅
✅



BATS and TBATS✅
✅


TBATS paper
Theta and FourTheta✅




Theta & 4 Theta
Prophet✅
✅

✅Prophet repo
FFT (Fast Fourier Transform)✅





KalmanForecaster using the Kalman filter and N4SID for system identification✅✅✅

✅N4SID paper
Croston method✅





RegressionModel; generic wrapper around any sklearn regression model✅✅
✅✅✅
RandomForest✅✅
✅✅✅
LinearRegressionModel✅✅✅✅✅✅
LightGBMModel✅✅✅✅✅✅
RNNModel (incl. LSTM and GRU); equivalent to DeepAR in its probabilistic version✅✅✅✅
✅DeepAR paper
BlockRNNModel (incl. LSTM and GRU)✅✅✅✅✅

NBEATSModel✅✅✅✅✅
N-BEATS paper
NHiTS✅✅✅✅✅
N-HiTS paper
TCNModel✅✅✅✅✅
TCN paper, DeepTCN paper, blog post
TransformerModel✅✅✅✅✅

TFTModel (Temporal Fusion Transformer)✅✅✅✅✅✅TFT paper, PyTorch Forecasting
Naive Baselines✅





05

Kats(3.6k+)

  • https://github.com/facebookresearch/Kats

Kats是一个分析时间序列数据的工具包，是一个轻量级、易于使用而且具有非常好泛化能力的框架，用于执行时间序列分析。

Kats旨在为时间序列分析提供一站式服务，包括检测、预测、特征提取/嵌入、多元分析等。

52be679baee326a1efb7838653236c6c.png

06

GluonTS(2.6k+)

  • https://github.com/awslabs/gluon-ts

GluonTS是一个用于概率时间序列建模的Python软件包，专注于基于深度学习的模型。不过目前非常多的模型都是基于MXNET实现的。

GluonTS的特点如下：

  1. 使用MXNet和PyTorch实现的最先进模型；

  2. 通过Amazon SageMaker轻松实现AWS集成；

  3. 用于加载和迭代时间序列数据集的实用程序；

  4. 用于评估模型性能并比较其准确性的实用程序；

  5. 用于定义自定义模型和快速实验的构建块

07

pytorch-forcasting(1.9k+)

  • https://github.com/jdb78/pytorch-forecasting

pytorch Forecasting是一个基于pytorch的工具包，开发了很多最新的深度时间序列模型。它为pandas数据帧上的培训网络提供了一个高级API，并利用PyTorch Lightning在（多个）GPU、CPU上进行可扩展的培训，以及自动记录。

目前涉及的模型包括：

  • Temporal Fusion Transformers for Interpretable Multi-horizon Time Series Forecasting which outperforms DeepAR by Amazon by 36-69% in benchmarks

  • N-BEATS: Neural basis expansion analysis for interpretable time series forecasting which has (if used as ensemble) outperformed all other methods including ensembles of traditional statical methods in the M4 competition. The M4 competition is arguably the most important benchmark for univariate time series forecasting.

  • N-HiTS: Neural Hierarchical Interpolation for Time Series Forecasting which supports covariates and has consistently beaten N-BEATS. It is also particularly well-suited for long-horizon forecasting.

  • DeepAR: Probabilistic forecasting with autoregressive recurrent networks which is the one of the most popular forecasting algorithms and is often used as a baseline

  • Simple standard networks for baselining: LSTM and GRU networks as well as a MLP on the decoder

  • A baseline model that always predicts the latest known value

08

tsai(1.9k+)

  • https://github.com/timeseriesAI/tsai

tsai是在Pytorch&fastai基础上开发的开源深度学习软件包，专注于时间序列任务的最新技术，如分类、回归、预测等。

目前tsai仍然还在不断开发中，目前涵盖的模型包括：

  • LSTM (Hochreiter, 1997) (paper)

  • GRU (Cho, 2014) (paper)

  • MLP - Multilayer Perceptron (Wang, 2016) (paper)

  • gMLP - Gated Multilayer Perceptron (Liu, 2021) (paper)

  • FCN - Fully Convolutional Network (Wang, 2016) (paper)

  • ResNet - Residual Network (Wang, 2016) (paper)

  • LSTM-FCN (Karim, 2017) (paper)

  • GRU-FCN (Elsayed, 2018) (paper)

  • mWDN - Multilevel wavelet decomposition network (Wang, 2018) (paper)

  • TCN - Temporal Convolutional Network (Bai, 2018) (paper)

  • MLSTM-FCN - Multivariate LSTM-FCN (Karim, 2019) (paper)

  • InceptionTime (Fawaz, 2019) (paper)

  • Rocket (Dempster, 2019) (paper)

  • XceptionTime (Rahimian, 2019) (paper)

  • ResCNN - 1D-ResCNN (Zou , 2019) (paper)

  • TabModel - modified from fastai's TabularModel

  • OmniScale - Omni-Scale 1D-CNN (Tang, 2020) (paper)

  • TST - Time Series Transformer (Zerveas, 2020) (paper)

  • TabTransformer (Huang, 2020) (paper)

  • GatedTabTransformer (Cholakov, 2022) (paper)

  • MiniRocket (Dempster, 2021) (paper)

  • XCM - An Explainable Convolutional Neural Network (Fauvel, 2021) (paper)

09

Deep Learning TS(1.6k+)

  • https://github.com/Alro10/deep-learning-time-series

深度学习应用于实践序列大论文，代码以及相关的实验等,不过目前该Git的更新已经不是非常频繁了。

10

Flow Forcast(1k+)

  • https://github.com/AIStream-Peelout/flow-forecast

流量预测（FF）是一个针对时间序列预测框架的开源深度学习。它提供了所有最先进的模型（变形金刚、注意力模型、GRU）和前沿概念，以及易于理解的可解释性指标、云提供商集成和模型服务功能。Flow Forecast是第一个支持基于transformer的模型的时间序列框架，也是唯一一个真正的时间序列预测框架的端到端深度学习。目前，CoronaWhy的任务TS主要维护该存储库。欢迎拉取请求。历史上，该存储库为山洪暴发和河流流量预测提供了开源基准和代码。

目前涵盖的模型包括：

  • Vanilla LSTM (LSTM): A basic LSTM that is suitable for multivariate time series forecasting and transfer learning.

  • Full transformer (SimpleTransformer in model_dict): The full original transformer with all 8 encoder and decoder blocks. Requires passing the target in at inference.

  • Simple Multi-Head Attention (MultiHeadSimple): A simple multi-head attention block and linear embedding layers. Suitable for transfer learning.

  • Transformer with a linear decoder (CustomTransformerDecoder in model_dict): A transformer with n-encoder blocks (this is tunable) and a linear decoder.

  • DA-RNN: (DARNN) A well rounded model with which utilizes a LSTM + attention.

  • Enhancing the Locality and Breaking the Memory Bottleneck of Transformer on Time Series Forecasting (called DecoderTransformer in model_dict):

  • Transformer XL: Porting Transformer XL for time series.

  • Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting (Informer)

  • DeepAR

  • DSANet

11

AtsPy(450)

AtsPy 代表Python 中的自动时间序列模型。该库的目标是预测单变量时间序列。

AtsPy的优势在于：

  • 通过AutomatedModel（df），以统一的方式实现所有您喜欢的自动化时间序列模型。

  • 通过使用LightGBM和TSFresh注入的功能，将结构模型错误减少30%-50%。

  • 使用奇异谱分析、周期图和峰值分析自动识别数据中的周期性。

  • 使用样本内验证方法确定并提供适合时间序列的最佳模型。

  • 将所有这些模型的预测结合在一个简单（平均）和复杂（GBM）集合中，以提高性能。

  • 已经开发了适当的模型，以使用GPU资源来加速自动化过程。

  • 可以使用am.models_dict_in处理样本哪数据。使用am.models_dict_out用于样本外预测。

目前涉及的模型有：

  • ARIMA - Automated ARIMA Modelling

  • Prophet - Modeling Multiple Seasonality With Linear or Non-linear Growth

  • HWAAS - Exponential Smoothing With Additive Trend and Additive Seasonality

  • HWAMS - Exponential Smoothing with Additive Trend and Multiplicative Seasonality

  • NBEATS - Neural basis expansion analysis (now fixed at 20 Epochs)

  • Gluonts - RNN-based Model (now fixed at 20 Epochs)

  • TATS - Seasonal and Trend no Box Cox

  • TBAT - Trend and Box Cox

  • TBATS1 - Trend, Seasonal (one), and Box Cox

  • TBATP1 - TBATS1 but Seasonal Inference is Hardcoded by Periodicity

  • TBATS2 - TBATS1 With Two Seasonal Periods

12

AutoTS(450+)

 

  • https://github.com/winedarksea/AutoTS

AutoTS是Python的一个时间序列包，旨在快速大规模部署高准确的预测。AutoTS中的所有模型都支持预测多变量（多时间序列）输出，也支持概率（上下届）预测。大多数模型可以很容易地扩展到数十甚至数十万个输入序列。许多模型还支持传入用户定义的外生的回归。

参考文献

3549bcdb896292ecdb2580c82832130d.png

  1. TSFresh Document

  2. https://github.com/blue-yonder/tsfresh/

  3. https://github.com/winedarksea/AutoTS

  4. https://github.com/unit8co/darts

  5. https://github.com/facebookresearch/Kats

  6. https://github.com/alan-turing-institute/sktime

  7. https://www.sktime.org/en/stable/estimator_overview.html

  8. 时间序列预测的 7 种 Python 工具包，总有一款适合你！

  9. https://github.com/awslabs/gluon-ts

  10. https://github.com/Alro10/deep-learning-time-series

  11. https://github.com/timeseriesAI/tsai

  12. https://github.com/jdb78/pytorch-forecasting

  13. https://github.com/AIStream-Peelout/flow-forecast

 
 
 
 
 
 
ddb4146a5e65040ff99c57031a7e28ec.jpeg
 
 
 
 
 
 
往期精彩回顾




适合初学者入门人工智能的路线及资料下载(图文+视频)机器学习入门系列下载机器学习及深度学习笔记等资料打印《统计学习方法》的代码复现专辑
 
 
  • 交流群
 
 
欢迎加入机器学习爱好者微信群一起和同行交流，目前有机器学习交流群、博士群、博士申报交流、CV、NLP等微信群，请扫描下面的微信号加群，备注：”昵称-学校/公司-研究方向“，例如：”张小明-浙大-CV“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~（也可以加入机器学习交流qq群772479961）
 
 
c8b67e725bd7eb1734a5aaa9293a50c7.png
 


                

        

        

    

  


    

      

        

            

              
                
                  风度78
                
              
            

            

                关注
              
            

        

        

          
      

      









                



	

		

			

				
					
Python机器学习实战：使用机器学习进行时间序列分析

				
			

			

				

					AI天才研究院
				

				

					06-29
					
					1083
					
				

			

		

		

			
				
Python机器学习实战：使用机器学习进行时间序列分析
作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming
关键词：时间序列分析,预测模型,机器学习,Python编程,金融数据处理,周期性模式识别


			
		

	



                

            
              



	

		

			

				
					
时间序列预测的7种Python工具包，总有一款适合你

				
			

			

				

					2401_83816794的博客
				

				

					04-11
					
					838
					
				

			

		

		

			
				
ff0.png)

			
		

	



              


  
              

                


	

		

			

				
					
时间序列分析工具箱——tibbletime

				
			

			

				

					R语言中文社区
				

				

					09-25
					
					1506
					
				

			

		

		

			
				

  
    
                    

                    

                    
                    
                    作者：徐瑞龙，量化分析师，R语言中文社区专栏作者博客专栏：https://www.cnblogs.com/xuruilong100本文翻译自《Demo Week: Tid...

			
		

	





	

		

			

				
					
2022最新开源时序模型汇总（含Code）

				
			

			

				

					fengdu78的博客
				

				

					05-12
					
					3142
					
				

			

		

		

			
				
作者：杰少最新开源时间序列工具包最新开源时间序列工具包01tsfresh(GitHub:6.3K+)https://tsfresh.readthedocs.io/en/latest/tsfresh是一个python包，它会自动计算大量的时间序列特征。此外，该软件包还包含评估此类特征对回归或分类任务的解释能力和重要性的方法。tsfresh可以自动提取特征构建特征。如下图所示...

			
		

	



		

			
		



	

		

			

				
					
【Python】包推荐：时间序列分析工具包

				
			

			

				

					小哲的博客
				

				

					01-11
					
					3725
					
				

			

		

		

			
				
3个Python时间序列分析工具包1. tsfresh2. tslearnsktime总结参考资料
时间序列分析是一种经典问题，常见的场景有时序预测、时序分裂、时序聚类、异常检测等。这里介绍三个时间序列分析相关的工具包：

tsfresh
tslearn
sktime
我们主要对三个时序工具包进行简要介绍， 包括这些工具包的功能定位，主要特色及其优劣等，并列出了相关的说明文档和Github地址，以供详细查阅。

1. tsfresh

主页地址为：https://tsfresh.com/

tsfresh是

			
		

	





	

		

			

				
					
谷歌本周发布全新线性时间序列预测模型，再次反超Transformer

				
			

			

				

					AI蜗牛车
				

				

					04-21
					
					2959
					
				

			

		

		

			
				
继之前针对Transformer在时间序列预测中真的有效吗、使用MLP打败复杂模型等研究后，谷歌在昨天发表了一篇最新的时间序列预测工作，提出了TiDE模型，整个模型没有任何注意力机制、RNN或CNN，完全由全连接组成。下面为大家介绍这篇工作的主要内容。论文标题：Long-term Forecasting with TiDE: Time-series Dense Encoder下载地址：https:...

			
		

	





	

		

			

				
					
时间序列分析工具箱——timetk

				
			

			

				

					weixin_30471065的博客
				

				

					07-14
					
					1067
					
				

			

		

		

			
				
目录
    
        
        时间序列分析工具箱——timetk
        timetk 的主要用途
        加载包
        数据
        timetk 教程：
        PART 1：时间序列机器学习
        PART 2：转换
        
        
        
    


翻译自《Demo Week...

			
		

	





	

		

			

				
					
时间序列处理工具选择

				
			

			

				

					wtt561111的专栏
				

				

					05-21
					
					1391
					
				

			

		

		

			
				
哪些根据可以用于时间序列分析

			
		

	





	

		

			

				
					
matlab代码arma-tsml:与Weka兼容的工具包中的Java时间序列机器学习工具

				
			

			

				

					05-19
				

			

		

		

			
				
一个兼容的Java工具箱，用于时间序列分类，聚类和转换。 有关python sklearn兼容版本的信息，请参见 在网站上找到有关UCR单变量和UEA多元时间序列分类档案的广泛工作和数据集托管的更多信息。 正在为我们的研究积极...

			
		

	





	

		

			

				
					
python机器学习实例代码 - 解剖时间序列和时序数据.rar

				
			

			

				

					06-26
				

			

		

		

			
				
在本资源中，我们主要关注的是使用Python进行机器学习，特别是针对时间序列和时序数据分析的实例代码。时间序列分析是统计学和机器学习领域的一个重要分支，它涉及到对按时间顺序排列的数据集进行建模和预测。在金融...

			
		

	





	

		

			

				
					
Go-influxdb-一个开源的时间序列数据库

				
			

			

				

					08-13
				

			

		

		

			
				
一个没有外部依赖性的开源时间序列数据库。 它可用于记录指标，事件和执行分析。

			
		

	





	

		

			

				
					
时间序列预测项目，采用不同的深度学习、机器学习算法，进行时间序列预测。包含不同预测算法与预测场景.zip

				
			

			

				

					05-08
				

			

		

		

			
				
本项目聚焦于利用深度学习和机器学习算法来解决时间序列预测问题，旨在通过对比不同的模型，找出最适合特定预测场景的方法。下面将详细介绍几种常见的预测算法以及它们在时间序列预测中的应用。  1. **ARIMA模型** ...

			
		

	





	

		

			

				
					
MLforecasting:多步超前时间序列预测的机器学习策略

				
			

			

				

					06-10
				

			

		

		

			
				
《MLforecasting：基于机器学习的多步超前时间序列预测策略》  在时间序列分析领域，预测未来趋势是一项至关重要的任务，尤其在金融、气象、销售预测等多领域有着广泛应用。多步超前时间序列预测是指对连续多个时间...

			
		

	





	

		

			

				
					
Matlatb金融时间序列工具箱——建立金融时间序列

				
			

			

				

					gameloftmk的博客
				

				

					03-16
					
					8921
					
				

			

		

		

			
				
好久没做东西，知识忘了大半。还好又翻到这个博文，感谢博主。
Matlatb金融时间序列工具箱（Financial Time Series Toolbox）
建立金融时间序列
金融时间序列是一个结构变量，有五个属性：描述（description）、频率（frequency）、日期（dates）、显示（display）和至少一个数据列向量名（dataname），前三个属性的名字是固定的，分别为d

			
		

	





	

		

			

				
					
了解下InfluxData—一个开源的时间序列数据库平台

				
			

			

				

					Free雅轩的博客
				

				

					03-23
					
					698
					
				

			

		

		

			
				
这是你能做的最基本的 Flux 查询。这会告诉 InfluxDB 从上次成功运行的时间开始运行此任务，以防它在过去 2 小时内失败，在这种情况下，它可以追溯 3 个小时内的最后一次成功运行。在典型的关系型数据库中存储数据时，这种查询是很慢的，这种数据库使用行和列来描述不同数据点的关系。将较小的数据集存储到新的存储桶中，称为“降采样downsampling”，这是数据库的核心功能，也是时间序列数据生命周期的核心部分。当你的笔记本电脑合上或关闭时，它会在本地存储数据，然后在重新连接时将数据流传到我的云存储桶。

			
		

	





	

		

			

				
					
时间序列预测的7种Python工具包，总有一款适合你！

				
			

			

				

					Python学习与数据挖掘
				

				

					06-29
					
					4061
					
				

			

		

		

			
				
欢迎关注我，专注Python、数据分析、数据挖掘、实用工具！

时间序列问题是数据科学中最难解决的问题之一。传统的处理方法如 ARIMA、SARIMA 等，虽然是很好，但在处理具有非线性特性或非平稳时间序列问题时很难取得满意的预测效果。
为了获得更好的预测效果，并且可以简单高效的完成任务，本文中我将分享给大家7个用于处理时间序列问题的 Python 工具包，有所收获，点赞支持，欢迎收藏学习。
1、tsfresh

tsfresh 是一个很棒的 python 包，它可以自动计算大量的时间序列特性，包含许多特.

			
		

	





	

		

			

				
					
时序数据预测：ROCKET vs Time Series Forest vs TCN vs XGBoost

				
			

			

				

					deephub
				

				

					07-22
					
					5712
					
				

			

		

		

			
				
机器学习小项目:从NIFTY指数的当日股价预测股票收盘价格，对比各种模型在时序数据预测的效果
如果你像我一样涉足股票交易，你可能想知道如何在收盘时判断股票的走势——它会在收盘价上方收盘，还是不会？因为确实存在日内模式——人们总是告诉你股票交易活动是“波浪式”的，而且在午餐时间事情往往会放慢一点，并且在接近尾声的时候可能会发生大的波动。
对于这个项目——（谷歌 Colab 笔记本在后面公开）——我使用 NIFTY 指数（印度），我们正在查看每分钟的数据。我们根据开盘价对每个时间序列进行标准化，因此每个点只是它

			
		

	





	

		

			

				
					
机器学习（一）——基本概念、模型的评估与选择

					
最新发布

				
			

			

				

					清豆的博客
				

				

					11-05
					
					978
					
				

			

		

		

			
				
本文是基于西瓜书（第一、二章）的学习记录。提供了机器学习领域的基础知识和概念的概述、模型评估与选择等内容。附带西瓜书电子版分享链接。

			
		

	





	

		

			

				
					
2022年最新开源时间序列模型一览

				
			

			

				

					
				

			

		

		

			
				
本文档是关于2022年最新的开源时间序列模型的汇总，包含了多个在机器学习和人工智能领域中用于处理时间序列数据的工具包。这些工具包提供了丰富的功能，从特征提取到模型训练，适用于kaggle竞赛和其他数据分析任务。...

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

	
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值