mikekeith52/scalecast

解決的問題

Scalecast 透過為各種機器學習模型提供統一的介面，簡化了時間序列預測的過程。它解決了常見的痛點，例如設定 LSTM 等複雜模型的難度、處理缺失值、應用動態轉換以提取訊號，以及進行嚴格的模型驗證和回測。

工作原理

該函式庫圍繞著 Forecaster 和 MVForecaster（多元）物件展開，這些物件封裝了數據、預測和指標。它整合了來自 scikit-learn、statsmodels 和 TensorFlow 等多個函式庫的模型。關鍵工作流包括：

• 自動選擇： 用於自動選擇滯後階數 (lags)、趨勢和季節性的工具。
• 超參數調優： 網格搜尋結合時間序列交叉驗證。
• 流水線： 用於數據轉換、預測和轉換逆轉的整合序列。
• 模型堆疊： 將來自多個模型（例如 LSTM、Prophet、ARIMA）的預測組合成最終集成模型的能力。
• 遷移學習： 在一個序列上訓練模型並將其應用於另一個序列。

適用對象

Scalecast 專為在生產或沙盒環境中工作，需要快速實驗和驗證多種時間序列預測模型的數據科學家、學術研究人員和 ML 工程師設計。

亮點

• 統一 API： 使用單一介面測試來自 scikit-learn、TensorFlow 和其他專業預測函式庫的模型。
• 簡化的 LSTM： 大幅減少了實現時間序列 LSTM 網路所需的樣板程式碼。
• 進階驗證： 內建對滾動時間序列交叉驗證和 conformal confidence intervals 的支援。
• 端到端流水線： 支援從最佳轉換選擇到回測指標的完整流水線。
• 多元支援： 使用 MVForecaster 同時預測多個序列的能力。