بهترین کتابخانه‌های سری زمانی برای پایتون

هم رویش منتشر کرده است:

آموزش ساخت شبکه عصبی با پایتون (و دیگر زبان‌ها) از صفر

Skforecast

Skforecast یک کتابخانه سری زمانی پایتون است که استفاده از رگرسیون scikit-learn (scikit-learn regressors) را به‌عنوان یک پیش‌بینی‌کننده یک یا چندمرحله‌ای آسان می‌سازد. همچنین با هر رگرسیون سازگار با ای‌پی‌آی (API) scikit-learn نیز کار می‌کند. (LightGBM, XGBoost, CatBoost)

لینک

PyCaret

PyCaret صدها خط کد را تنها با چند خط جایگزین می‌کند. پیش‌بینی سری‌های زمانی آن در حالت قبل از انتشار (با تگ -pre) دارای بیش از 30 الگوریتم است، که شامل تنظیم خودکار فراپارامتر، ثبت آزمایش و استقرار در ابر است.

لینک

هم رویش منتشر کرده است:

آموزش اجرای یک پروژه یادگیری ماشین با پایتون

Darts

Darts شامل مدل‌های زیادی از ARIMA (Autoregressive Integrated Moving Average) تا شبکه‌های عصبی عمیق است. همچنین به کاربران این امکان را می‌دهد تا پیش‌بینی‌های چندین مدل و رگرسیون‌های خارجی را ترکیب کنند که این امر آزمایش مدل‌ها را آسان‌تر می‌کند.

لینک

Flow forecast

Flow forecast یک یادگیری عمیق برای فریم‌ورک (framework) پیش‌بینی سری‌های زمانی است که آخرین مدل‌ها (transformers, attention models, GRUs) و مفاهیم پیشرفته را با معیارهای تفسیرپذیری ارائه می‌دهد. Flow forecast تنها یادگیری عمیق end-to-end حقیقی برای فریم‌ورک پیش‌بینی سری‌های زمانی است.

لینک

Auto_TS

Auto_TS چندین مدل سری زمانی را تنها با یک خط کد آموزش می‌دهد و بخشی از AutoML است.

لینک

Sktime

Sktime یک افزونه (extension) برای scikit-learn است که شامل سری‌های زمانی (Time-series) یادگیری ماشین برای رگرسیون، پیش‌بینی و طبقه‌بندی می‌شود. این کتابخانه بیشترین ویژگی‌ها را با رابط‌های scikit-learn، statsmodels، TSFresh و PyOD دارد.

لینک

Pmdarima

Pmdarima یک پوشنده (wrapper) برای ARIMA با تنظیم خودکار فراپارامتر برای تجزیه‌وتحلیل، پیش‌بینی و تجسم داده‌های سری زمانی از جمله ترانسفورماتورها (transformers) و ایجاد ویژگی، تبدیل‌های Box-Cox، تبدیل‌های فوریه و ابزار تجزیه فصلی (seasonal) است.

لینک

TSFresh

TSFresh به‌خودی‌خود یک کتابخانه پیش‌بینی نیست، اما استخراج و انتخاب ویژگی از سری‌های زمانی را خودکار می‌کند، دارای کاهش ابعاد است و داده پرت (Outlier) و مقادیر ازدست‌رفته را تشخیص می‌دهد.

لینک

Pyflux

Pyflux یک مدل احتمالی ایجاد می‌کند که برای کارهایی که به تصویر کامل‌تری از عدم قطعیت (uncertainty) نیاز است، بسیار مهم است و متغیرهای پنهان (latent variables) از طریق یک احتمال مشترک به‌عنوان متغیرهای تصادفی (random variables) در نظر گرفته می‌شوند.

لینک

Prophet

Facebook’s Prophet یک ابزار پیش‌بینی برای فرمت CSV است و برای داده‌های فصلی قوی مناسب است. همچنین در برابر داده‌های گمشده و پرت نیز مقاوم و قابل‌استفاده است.

لینک

Statsforecast

Statsforecast مجموعه‌ای از سری‌های زمانی تک‌متغیره را ارائه می‌دهد که شامل این موارد هستند: ADIDA HistoricAverage, CrostonClassic, CrostonSBA, CrostonOptimized, SeasonalNaive, IMAPA Naive, RandomWalkWithDrift, TSB, AutoARIMA and ETS.

جالب است بدانید که Statsforecast، 20 برابر سریع‌تر از pmdarima، 500 برابر سریع‌تر از Prophet، 100 برابر سریع‌تر از NeuralProphet و 4 برابر سریعتر از statsmodels است.

لینک

NeuralProphet

NeuralProphet یک مدل سری زمانی مبتنی بر شبکه عصبی است که از Facebook Prophet و AR-Net الهام گرفته شده و بر پایه PyTorch ساخته شده است.

لینک

کلیدواژگان

سری زمانی چیست | سری زمانی در پایتون | کتابخانه‌ های سری زمانی | کتابخانه‌های سری زمانی در پایتون | Time series  Time-series | Time-series Python Libraries | Time-series Python Libraries | سری‌های زمانی | معرفی کتابخانه‌های سری زمانی در پایتون | کتابخانه سری زمانی | کتابخانه‌ های سری زمانی در پایتون

منبع

10 Best Time-series Python Libraries in 2023 for Fast Models Work?