Python 第三方庫：darts（現代化時間序列建模與預測框架）

darts 是一個專門用于時間序列分析、建模與預測的 Python 庫，提供統一而高層的 API，集成了統計模型（如 ARIMA）、機器學習模型（如 LightGBM）、深度學習模型（如 RNN、Transformer、N-BEATS、TCN 等）以及時間序列特有的處理工具（如窗口生成、協變量管理、回測、誤差評估等）。

darts 的設計目標是讓時間序列預測像使用 scikit-learn 一樣簡單，同時讓深度學習模型的構建更加易用。

安裝 ：

pip install darts

如需使用深度學習模型：

pip install darts[u]

常見應用場景：

（1）時間序列預測（Forecasting）

使用 ARIMA、RNN、Transformer、N-BEATS 等模型進行未來值預測。

（2）多元時間序列建模

支持多變量輸入、協變量（covariates）、滯后特征等復雜數據結構。

（3）回測與模型評估

內置回測、滾動預測、交叉驗證與誤差指標。

（4）異常檢測

支持時間序列的異常值檢測及預測殘差分析。

（5）時間序列處理

提供插值、縮放、缺失值填補、時間對齊等操作。

（6）深度學習時間序列模型

內置 PyTorch 實現的專業算法，如：

? RNNModel

? TCNModel

? NBEATSModel

? TransformerModel

? TFTModel（Temporal Fusion Transformer）

擁有高性能與易用性的平衡。

◆ ◆ ◆

核心概念

1、TimeSeries 對象（核心數據結構）

darts 所有模型的輸入與輸出均為 TimeSeries 類型。

它包含：

? 時間索引（DatetimeIndex 或 RangeIndex）

? 數據列（可以是一列或多列）

? 可選的附加維度（例如多個樣本）

創建方式示例：

series = TimeSeries.from_dataframe(df, "date", "value")

2、預測模型（Models）

darts 的模型分為：

? 統計模型（ARIMA、Exponential Smoothing、Theta 等）

? 機器學習模型（RegressionModel）

? 深度學習模型（NBEATS、RNN、TFT 等）

? EnsembleModel（用于模型集成）

每一個模型都提供統一的 API：

forecast = model.predict(n)

3、協變量（Covariates）

時間序列預測常需要外生變量，如：

? 天氣

? 節假日

? 商品價格

? 滯后窗口

darts 支持三類協變量：

? past_covariates：過去已知的數據

? future_covariates：未來已知的數據（如節日表）

? static_covariates：不會隨時間變化的特征

4、回測（Backtesting）

darts 內置回測工具，通過滑動窗口自動評估模型表現：

)

5、誤差指標（Metrics）

支持：

? MAE

? RMSE

? MAPE

? SMAPE

? DTW 距離

? R2 score

用于評估預測效果。

◆ ◆ ◆

應用舉例

例 1：加載數據并創建 TimeSeries

series = TimeSeries.from_dataframe(df, "date", "sales")

例 2：使用 ARIMA 進行預測

forecast.plot(label="forecast")

例 3：使用深度學習模型（N-BEATS）

prediction = model.predict(12)

例 4：使用協變量進行多元預測（RNN）

forecast = model.predict(7, future_covariates=weather_series)

例 5：回測評估模型

print("SMAPE:", error)

◆ ◆ ◆

常用函數與類速覽

TimeSeries.from_dataframe(df, time_col, value_cols)

從 DataFrame 創建時間序列對象。

參數：

df：pandas DataFrame。

time_col：時間列名。

value_cols：數值列名或列表。

返回：TimeSeries 實例。

model.fit(series, **covariates)

訓練模型。

參數：

series：目標時間序列。

past_covariates：可選，歷史協變量。

future_covariates：可選，未來協變量。

返回：無。

model.predict(n, **covariates)

預測未來 n 步。

參數：

n：預測步數。

future_covariates：未來外生變量。

返回：TimeSeries 類型的預測結果。

model.backtest(series, forecast_horizon, metric)

對時間序列執行滑動窗口回測。

參數：

series：目標時間序列。

forecast_horizon：一次預測步數。

metric：誤差函數。

返回：float（誤差值）。

TimeSeries.plot()

快速繪制時間序列。

參數： 無。

返回： 無（生成圖形）。

小結

darts 是一套現代化的時間序列分析框架，具有以下優勢：

? 統一的 API，幾十種模型可無縫切換

? 內置深度學習模型，支持 PyTorch 訓練

? 支持協變量、窗口生成、多元時間序列

? 強大的回測工具與評估指標

? TimeSeries 統一數據結構，簡化時間序列處理

? 可從快速原型擴展到企業級模型

無論你是做金融預測、供應鏈預測，還是做科學研究或智能調度，darts 都提供穩定、靈活而完整的工具鏈。

“點贊有美意，贊賞是鼓勵”