wwrechard/pydlm

解决的问题

PyDLM 是一个专为时间序列建模设计的 Python 库。它通过将时间序列分解为趋势、季节性等不同成分，提供了一个灵活的框架，用于分析和预测时间序列数据，使用户能够处理复杂模式并提高预测准确性。

工作原理

该库基于贝叶斯动态线性模型（DLM）。它采用状态空间方法，将时间序列建模为多个成分的和。用户可以通过组合以下不同成分来构建模型：

• 线性/二次趋势：用于捕捉数据的整体运动方向。
• 季节性：用于捕捉特定周期（如周或年）内的重复模式。
• 动态回归：使用 dynamic 成分来纳入随时间变化的外部预测变量（特征）。

模型定义后，通过前向滤波和后向平滑对数据进行拟合，生成滤波结果、未来一天的预测以及置信区间。

适用人群

需要在 Python 中进行贝叶斯时间序列分析、分解和预测的数据科学家和分析师，特别是寻找 R 包 bsts 替代方案的人。

主要亮点

• 灵活的模型构建：通过 + 操作符将趋势、季节性、动态回归等成分组合起来构建模型。
• 支持 Pandas 输入：dlm 和 dynamic 类支持 Pandas 输入。
• 快速推断：针对快速模型拟合和推断进行了优化。
• 全面的可视化：内置绘图函数，可可视化拟合结果、预测值和各个成分。