mikekeith52/scalecast

解决的问题

Scalecast 通过为各种机器学习模型提供统一的接口，简化了时间序列预测的过程。它解决了常见的痛点，例如设置 LSTM 等复杂模型的难度、处理缺失值、应用动态转换以提取信号，以及进行严格的模型验证和回测。

工作原理

该库围绕 Forecaster 和 MVForecaster（多元）对象展开，这些对象封装了数据、预测和指标。它集成了来自 scikit-learn、statsmodels 和 TensorFlow 等多个库的模型。关键工作流包括：

• 自动选择： 用于自动选择滞后阶数（lags）、趋势和季节性的工具。
• 超参数调优： 网格搜索结合时间序列交叉验证。
• 流水线： 用于数据转换、预测和转换逆转的集成序列。
• 模型堆叠： 将来自多个模型（例如 LSTM、Prophet、ARIMA）的预测组合成最终集成模型的能力。
• 迁移学习： 在一个序列上训练模型并将其应用于另一个序列。

适用对象

Scalecast 专为在生产或沙盒环境中工作，需要快速实验和验证多种时间序列预测模型的数据科学家、学术研究人员和 ML 工程师设计。

亮点

• 统一 API： 使用单一接口测试来自 scikit-learn、TensorFlow 和其他专业预测库的模型。
• 简化的 LSTM： 大幅减少了实现时间序列 LSTM 网络所需的样板代码。
• 高级验证： 内置对滚动时间序列交叉验证和 conformal confidence intervals 的支持。
• 端到端流水线： 支持从最优转换选择到回测指标的完整流水线。
• 多元支持： 使用 MVForecaster 同时预测多个序列的能力。