Nixtla/mlforecast

解決的問題

解決現有基於機器學習的時間序列預測 Python 庫在效能與可擴展性上的限制。提供一個可處理數百萬筆時間序列並能透過遠端叢集擴展至巨量資料集的框架，適用於生產環境。

作用方式

mlforecast 作為任何遵循 scikit-learn API（使用 .fit 與 .predict 方法）的機器學習迴歸器的包裝器。它透過提供高效的特徵工程（如落後項、移動平均、擴展平均與日期特徵）以及處理目標轉換，自動完成時間序列預測中的複雜部分。在預測階段，使用遞迴策略自動更新特徵。

適用對象

需要使用機器學習模型進行可擴展時間序列預測，並希望擁有類似 scikit-learn 接口的資料科學家與機器學習工程師。

主要亮點

• 高可擴展性：支援 pandas、polars、spark、dask 與 ray，可在遠端叢集上進行分散式訓練。
• 快速特徵工程：時間序列特徵產生的優化實作。
• 機率預測：透過 Conformal Prediction 支援預測區間。
• 靈活輸入：支援外生變數與靜態共變數。
• 遷移學習：可在一組時間序列上預訓練模型，並應用於另一組時間序列。