Nixtla/mlforecast

解决的问题

解决现有基于机器学习的时序预测 Python 库在性能和可扩展性方面的局限性。提供一个可处理数百万条时序数据并能通过远程集群扩展到超大规模数据集的框架，适用于生产环境。

工作原理

mlforecast 作为任何遵循 scikit-learn API（使用 .fit 和 .predict 方法）的机器学习回归器的包装器。它通过提供高效的特征工程（如滞后项、滚动均值、扩展均值和日期特征）以及处理目标变换，自动完成时序预测中的复杂部分。在预测阶段，使用递归策略自动更新特征。

适用人群

需要使用机器学习模型进行可扩展时序预测，并希望拥有类似 scikit-learn 接口的数据科学家和机器学习工程师。

主要亮点

• 高可扩展性：支持 pandas、polars、spark、dask 和 ray，可在远程集群上进行分布式训练。
• 快速特征工程：时序特征生成的优化实现。
• 概率预测：通过 Conformal Prediction 支持预测区间。
• 灵活输入：支持外生变量和静态协变量。
• 迁移学习：可在一组时序上预训练模型，并将其应用于另一组时序。