skforecast/skforecast

解決的問題

Skforecast 的設計目標是透過提供各種建模策略的統一介面，簡化時間序列預測。它彌補了標準機器學習迴歸器（如 scikit-learn 中的那些）與時間序列資料特定需求（例如基於延遲的特徵工程與多步預測策略）之間的差距。

如何運作

該程式庫使用「Forecaster」物件作為容器，管理訓練與預測流程。支援多種策略：

• 遞迴：將先前的預測值作為未來步驟的輸入。
• 直接：同時預測多個未來步驟。
• 多序列：處理多個獨立或相關的時間序列。

它可與任何 scikit-learn 相容的估計器整合，包括 LightGBM、XGBoost、CatBoost 和 Keras，也支援統計模型（ARIMA、ETS）與基礎模型。

適用對象

需要使用一致 API 建構、驗證與部署生產級時間序列預測模型的資料科學家與 ML 工程師，無論是使用簡單的統計方法還是複雜的深度學習模型。

特色亮點

• scikit-learn 相容性：與任何遵循 scikit-learn API 的估計器相容。
• 多元模型支援：支援從傳統統計模型（ARIMA/ETS）到 RNN/LSTM 與零樣本基礎模型的各類模型。
• 完整工具集：內建特徵工程、超參數調校與回溯測試工具，實現真實性能評估。
• 機率預測支援：支援生成預測區間。
• AI 輔助工作流程：提供機器可讀的上下文檔案，供 LLM 產生精確程式碼，並可選使用 AI 預測助理（skforecast-ai）。