skforecast/skforecast

它解决了什么问题

Skforecast 为时间序列预测提供了统一的 API，使用户能够通过单一工作流程从原型开发过渡到生产环境。它简化了使用各种预测模型的过程——从传统统计方法到现代机器学习和基础模型——无需为每种模型学习不同的 API。

工作原理

该库为不同类型的模型实现了统一的训练、预测和回测接口：

• 机器学习：使用递归或直接策略，与任何 scikit-learn 兼容的回归器（例如 LightGBM、XGBoost、CatBoost）集成。
• 基础模型：支持使用预训练模型（如 Chronos-2、TimesFM 和 Moirai-2）进行零样本预测。
• 统计模型：支持 ARIMA、SARIMAX、ETS 和 ARAR，并具有自动模型选择功能。
• 深度学习：利用基于 Keras 构建的循环神经网络（RNN、LSTM）。

适用人群

需要使用 Python 构建、调优和部署生产级时间序列预测模型的数据科学家和机器学习工程师。

亮点

• 统一 API：为机器学习、统计和基础模型提供统一接口。
• 生产级工具：包括回测、概率预测（自助法、保形预测）以及通过 Optuna 进行超参数调优。
• 特征工程：内置对滚动统计、日历特征和外生变量的支持。
• 全局模型：能够使用单一模型同时预测多个时间序列。
• 可解释性：与 SHAP 值和特征重要性集成，提高模型透明度。