skforecast/skforecast

解决的问题

Skforecast 旨在通过为各种建模策略提供统一接口，简化时间序列预测。它弥合了标准机器学习回归器（如 scikit-learn 中的那些）与时间序列数据特定需求（如基于滞后特征工程和多步预测策略）之间的差距。

工作原理

该库使用「Forecaster」对象作为容器，管理训练和预测过程。支持多种策略：

• 递归：将先前的预测值作为未来步骤的输入。
• 直接：同时预测多个未来步骤。
• 多序列：处理多个独立或相关的时间序列。

它可与任何 scikit-learn 兼容的估计器集成，包括 LightGBM、XGBoost、CatBoost 和 Keras，还支持统计模型（ARIMA、ETS）和基础模型。

适用人群

需要使用一致 API 构建、验证和部署生产级时间序列预测模型的数据科学家和 ML 工程师，无论他们使用的是简单统计方法还是复杂深度学习模型。

特色亮点

• scikit-learn 兼容性：与遵循 scikit-learn API 的任何估计器兼容。
• 多样模型支持：支持从传统统计模型（ARIMA/ETS）到 RNN/LSTM 和零样本基础模型的各类模型。
• 全面工具集：内置特征工程、超参数调优和回溯测试工具，实现真实性能评估。
• 概率预测支持：支持生成预测区间。
• AI 辅助工作流：提供机器可读的上下文文件，供 LLM 生成准确代码，并可选地使用 AI 预测助手（skforecast-ai）。