在人工智能和數(shù)據(jù)分析領(lǐng)域，時間序列預(yù)測 是一個極其重要的分支，它貫穿了金融、能源、醫(yī)療、交通、零售等多個行業(yè)。從預(yù)測股票價格、能源消耗，到銷售量、疾病傳播趨勢，時間序列建模已成為數(shù)據(jù)科學(xué)家必須掌握的核心技能。

而在 Python 生態(tài)中，有一個優(yōu)雅且功能強(qiáng)大的時間序列預(yù)測庫正在迅速流行起來，它就是——Darts。

本文將深入解析 Darts 庫的設(shè)計理念、核心組件、使用方法和典型應(yīng)用案例，幫助你快速掌握這一工具并將其用于實際項目中。

目錄

1. 什么是 Darts？
2. 安裝與基本配置
3. 時間序列數(shù)據(jù)結(jié)構(gòu)與預(yù)處理
4. 多種模型接口：ARIMA、Prophet、RNN、Transformer 等
5. 模型訓(xùn)練與評估
6. 多變量、多步預(yù)測與反向驗證
7. 實戰(zhàn)案例：預(yù)測電力消耗曲線
8. 與其他時間序列工具對比
9. 優(yōu)勢與局限性
10. 總結(jié)與展望

一、什么是 Darts？

Darts 是一個 Python 時間序列分析和預(yù)測庫，由 Unit8 公司開發(fā)，目標(biāo)是提供一個統(tǒng)一、簡單的接口來使用包括經(jīng)典統(tǒng)計模型、機(jī)器學(xué)習(xí)模型和深度學(xué)習(xí)模型在內(nèi)的各種時間序列方法。

“從 ARIMA 到 Transformer，只用幾行代碼。”——這是 Darts 的宗旨。

核心功能包括：

• 單變量與多變量預(yù)測
• 單步與多步預(yù)測（Recursive, Direct, Mixed）
• 時間序列的平滑、差分、歸一化等預(yù)處理工具
• 集成多個主流模型（ARIMA、Prophet、LSTM、NBEATS、Transformer、XGBoost）
• 模型組合與集成
• 時間序列回測與評估
• 與 pandas/Numpy 深度集成，極易上手

二、安裝與基本配置

安裝 Darts

pip install u8darts[all]  # 安裝所有依賴，包括深度學(xué)習(xí)模型

或者只安裝核心功能：

pip install u8darts

注意：建議使用 Python 3.8+ 環(huán)境，并提前安裝 PyTorch、lightgbm、xgboost 等依賴包。

導(dǎo)入基礎(chǔ)模塊

from darts import TimeSeries
from darts.models import NBEATSModel, ExponentialSmoothing
from darts.metrics import mape

三、時間序列數(shù)據(jù)結(jié)構(gòu)與預(yù)處理

在 Darts 中，核心數(shù)據(jù)結(jié)構(gòu)是 TimeSeries 對象，類似于 pandas DataFrame 但為時間序列優(yōu)化。

創(chuàng)建一個簡單序列：

import pandas as pd
from darts import TimeSeries

df = pd.read_csv("air_passengers.csv", parse_dates=["Month"])
series = TimeSeries.from_dataframe(df, "Month", "#Passengers")

常見預(yù)處理操作：

# 插值填補(bǔ)缺失值
series = series.interpolate()

# 平滑處理
smoothed = series.rolling(window=12)

# 歸一化
from darts.dataprocessing.transformers import Scaler
scaler = Scaler()
normalized = scaler.fit_transform(series)

四、多種模型接口：從經(jīng)典到深度學(xué)習(xí)

Darts 內(nèi)置多種模型，統(tǒng)一 API：

示例：使用 ARIMA

from darts.models import ARIMA

model = ARIMA()
model.fit(series[:-36])
forecast = model.predict(36)

使用深度模型（如 N-BEATS）

model = NBEATSModel(input_chunk_length=36, output_chunk_length=12, n_epochs=100)
model.fit(series[:-36])
forecast = model.predict(36)

五、模型訓(xùn)練與評估

劃分訓(xùn)練集與測試集

train, val = series.split_before(0.8)

訓(xùn)練與預(yù)測

model = ExponentialSmoothing()
model.fit(train)
pred = model.predict(len(val))

評估結(jié)果

from darts.metrics import mape

error = mape(val, pred)
print(f"MAPE: {error:.2f}%")

還可以使用 RMSE、MASE、sMAPE 等指標(biāo)。

六、多變量、多步預(yù)測與回測

Darts 非常適合多變量預(yù)測和多步預(yù)測，適合多特征建模。

多變量輸入：

# 將多個 TimeSeries 合并為 multivariate series
combined = TimeSeries.from_dataframe(df, time_col="Date", value_cols=["Temp", "Humidity", "PowerLoad"])

多步預(yù)測策略：

• Direct：為每一個未來時間點訓(xùn)練一個獨立模型；
• Recursive：一個模型遞歸預(yù)測；
• Mixed：結(jié)合兩者優(yōu)點。

Darts 的模型大部分支持這三種策略，自動處理長序列預(yù)測問題。

七、實戰(zhàn)案例：電力負(fù)荷預(yù)測

我們以電力系統(tǒng)的負(fù)荷曲線為例，預(yù)測未來一周的電力需求。

Step 1：加載數(shù)據(jù)

df = pd.read_csv("power_load.csv", parse_dates=["timestamp"])
series = TimeSeries.from_dataframe(df, "timestamp", "load_kw")

Step 2：訓(xùn)練集與測試集劃分

train, val = series.split_before(pd.Timestamp("2023-06-01"))

Step 3：建立模型并訓(xùn)練

model = TransformerModel(input_chunk_length=48, output_chunk_length=24, n_epochs=150)
model.fit(train)

Step 4：預(yù)測與評估

forecast = model.predict(n=72)
mape_score = mape(val[:72], forecast)

Step 5：可視化結(jié)果

series.plot(label="Actual")
forecast.plot(label="Forecast")

結(jié)果曲線可以明顯看出模型預(yù)測能力強(qiáng)，且具有平滑性。

八、與其他時間序列庫對比

九、優(yōu)勢與局限性分析

? 優(yōu)勢：

• 統(tǒng)一 API：無論是 ARIMA 還是 LSTM，一套接口調(diào)用；
• 模型豐富：融合統(tǒng)計與深度模型，適配各種數(shù)據(jù)；
• 可擴(kuò)展性強(qiáng)：支持定制模型、集成多個模型；
• 支持 PyTorch 后端：深度模型訓(xùn)練快速；
• 強(qiáng)大的時間序列處理模塊：平滑、差分、補(bǔ)全、歸一化一步到位；
• 回測與模型選擇模塊完善：可以實現(xiàn)自動模型選擇。

? 局限性：

• 模型訓(xùn)練速度相較 scikit-learn 稍慢；
• 深度學(xué)習(xí)模型訓(xùn)練需 GPU 否則效率低；
• 在大規(guī)模部署場景下還需與其它工具配合（如 Apache Kafka）；
• 學(xué)習(xí)曲線相對 Prophet、statsmodels 略高。

十、總結(jié)與展望

Darts 是當(dāng)前 Python 時間序列預(yù)測領(lǐng)域功能最全、結(jié)構(gòu)最優(yōu)雅的庫之一，適合數(shù)據(jù)科學(xué)家、研究人員與開發(fā)者快速構(gòu)建預(yù)測系統(tǒng)。

無論你是做傳統(tǒng)的財務(wù)指標(biāo)預(yù)測，還是深度學(xué)習(xí)驅(qū)動的能源需求預(yù)測，Darts 都提供了強(qiáng)大而靈活的工具鏈。隨著其社區(qū)持續(xù)擴(kuò)展，未來有望成為時間序列領(lǐng)域的“scikit-learn”。

到此這篇關(guān)于Python的Darts庫實現(xiàn)時間序列預(yù)測的文章就介紹到這了,更多相關(guān)Python Darts庫時間序列內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論