Python 第三方库：darts（现代化时间序列建模与预测框架）
darts 是一个专门用于时间序列分析、建模与预测的 Python 库，提供统一而高层的 API，集成了统计模型（如 ARIMA）、机器学习模型（如 LightGBM）、深度学习模型（如 RNN、Transformer、N-BEATS、TCN 等）以及时间序列特有的处理工具（如窗口生成、协变量管理、回测、误差评估等）。
darts 的设计目标是让时间序列预测像使用 scikit-learn 一样简单，同时让深度学习模型的构建更加易用。
安装：
pip install darts如需使用深度学习模型：
pip install darts[u]常见应用场景：
（1）时间序列预测（Forecasting）
使用 ARIMA、RNN、Transformer、N-BEATS 等模型进行未来值预测。
（2）多元时间序列建模
支持多变量输入、协变量（covariates）、滞后特征等复杂数据结构。
（3）回测与模型评估
内置回测、滚动预测、交叉验证与误差指标。
（4）异常检测
支持时间序列的异常值检测及预测残差分析。
（5）时间序列处理
提供插值、缩放、缺失值填补、时间对齐等操作。
（6）深度学习时间序列模型
内置 PyTorch 实现的专业算法，如：
• RNNModel
• TCNModel
• NBEATSModel
• TransformerModel
• TFTModel（Temporal Fusion Transformer）
拥有高性能与易用性的平衡。
◆◆ ◆
核心概念
1、TimeSeries 对象（核心数据结构）
darts 所有模型的输入与输出均为 TimeSeries 类型。
它包含：
• 时间索引（DatetimeIndex 或 RangeIndex）
• 数据列（可以是一列或多列）
• 可选的附加维度（例如多个样本）
创建方式示例：
from darts import TimeSeriesimport pandas as pd df = pd.read_csv("data.csv")series = TimeSeries.from_dataframe(df, "date", "value")2、预测模型（Models）
darts 的模型分为：
• 统计模型（ARIMA、Exponential Smoothing、Theta 等）
• 机器学习模型（RegressionModel）
• 深度学习模型（NBEATS、RNN、TFT 等）
• EnsembleModel（用于模型集成）
每一个模型都提供统一的 API：
model = SomeModel(...)model.fit(series)forecast = model.predict(n)3、协变量（Covariates）
时间序列预测常需要外生变量，如：
• 天气
• 节假日
• 商品价格
• 滞后窗口
darts 支持三类协变量：
• past_covariates：过去已知的数据
• future_covariates：未来已知的数据（如节日表）
• static_covariates：不会随时间变化的特征
4、回测（Backtesting）
darts 内置回测工具，通过滑动窗口自动评估模型表现：
from darts.metrics import mape model.backtest( series, forecast_horizon=12, metric=mape)5、误差指标（Metrics）
支持：
• MAE
• RMSE
• MAPE
• SMAPE
• DTW 距离
• R2 score
用于评估预测效果。
◆◆ ◆
应用举例
例 1：加载数据并创建 TimeSeries
from darts import TimeSeriesimport pandas as pd df = pd.read_csv("sales.csv")series = TimeSeries.from_dataframe(df, "date", "sales")例 2：使用 ARIMA 进行预测
from darts.models import ARIMA model = ARIMA()model.fit(series)forecast = model.predict(12)forecast.plot(label="forecast")例 3：使用深度学习模型（N-BEATS）
from darts.models import NBEATSModel model = NBEATSModel( input_chunk_length=24, output_chunk_length=12, n_epochs=50,) model.fit(series)prediction = model.predict(12)例 4：使用协变量进行多元预测（RNN）
from darts.models import RNNModel model = RNNModel( model="LSTM", input_chunk_length=30, output_chunk_length=7) model.fit(series, future_covariates=weather_series)forecast = model.predict(7, future_covariates=weather_series)例 5：回测评估模型
from darts.metrics import smape error = model.backtest( series, forecast_horizon=12, metric=smape,)print("SMAPE:", error)◆◆ ◆
常用函数与类速览
TimeSeries.from_dataframe(df, time_col, value_cols)
从 DataFrame 创建时间序列对象。
参数：
df：pandas DataFrame。
time_col：时间列名。
value_cols：数值列名或列表。
返回：TimeSeries 实例。
model.fit(series, **covariates)
训练模型。
参数：
series：目标时间序列。
past_covariates：可选，历史协变量。
future_covariates：可选，未来协变量。
返回：无。
model.predict(n, **covariates)
预测未来 n 步。
参数：
n：预测步数。
future_covariates：未来外生变量。
返回：TimeSeries 类型的预测结果。
model.backtest(series, forecast_horizon, metric)
对时间序列执行滑动窗口回测。
参数：
series：目标时间序列。
forecast_horizon：一次预测步数。
metric：误差函数。
返回：float（误差值）。
TimeSeries.plot()
快速绘制时间序列。
参数： 无。
返回： 无（生成图形）。
📘 小结
darts 是一套现代化的时间序列分析框架，具有以下优势：
• 统一的 API，几十种模型可无缝切换
• 内置深度学习模型，支持 PyTorch 训练
• 支持协变量、窗口生成、多元时间序列
• 强大的回测工具与评估指标
• TimeSeries 统一数据结构，简化时间序列处理
• 可从快速原型扩展到企业级模型
无论你是做金融预测、供应链预测，还是做科学研究或智能调度，darts 都提供稳定、灵活而完整的工具链。
“点赞有美意，赞赏是鼓励”