skforecast/skforecast

解決する課題

Skforecastは時系列予測のための統一APIを提供し、ユーザーが単一のワークフローでプロトタイピングから本番環境まで移行できるようにします。従来の統計手法から最新の機械学習、基盤モデルまで、さまざまな予測モデルを使用するプロセスを簡素化し、それぞれに異なるAPIを学ぶ必要がありません。

仕組み

このライブラリは、異なるモデルタイプ間でトレーニング、予測、バックテストのための一貫したインターフェースを実装しています：

• 機械学習：再帰的または直接的な戦略を使用して、任意のscikit-learn互換リグレッサー（例：LightGBM、XGBoost、CatBoost）と統合します。
• 基盤モデル：Chronos-2、TimesFM、Moirai-2などの事前学習済みモデルを使用したゼロショット予測を可能にします。
• 統計モデル：自動モデル選択によるARIMA、SARIMAX、ETS、ARARをサポートします。
• 深層学習：Kerasで構築されたリカレントニューラルネットワーク（RNN、LSTM）を利用します。

対象読者

Pythonを使用して本番環境対応の時系列予測モデルを構築、チューニング、デプロイする必要があるデータサイエンティストおよびMLエンジニア。

主な特長

• 統一API：ML、統計、基盤モデルのための単一のインターフェース。
• 本番環境対応ツール：バックテスト、確率的予測（ブートストラップ、コンフォーマル予測）、Optunaによるハイパーパラメータチューニングを含みます。
• 特徴量エンジニアリング：ローリング統計、カレンダー特徴量、外生変数の組み込みサポート。
• グローバルモデル：単一のモデルで複数の時系列を同時に予測する機能。
• 説明可能性：モデルの透明性のためのSHAP値と特徴量重要度との統合。