公众号:尤而小屋 作者:Peter 编辑:Peter
大家好,我是Peter~
最近调研了很多时间序列相关的模型、框架,准备开始学习时序。这里先介绍一款Facebook开源的时序利器:Kats
Kats(Kits to Analyze Time Series)是一款轻量级、易于使用、可扩展和通用的框架,用于在Python中进行时序分析,由Facebook开源的一款时序框架。
TimeSeriesData是Kats中表示单变量和多变量时间序列的基本数据结构,有两种初始化的方法:
Mac中安装是非常简单的,直接pip install;如果是Windows系统,请百度解决各种依赖问题:
pip install --upgrade pip
pip install kats
GitHub学习地址:https://github.com/facebookresearch/Kats
API地址:https://facebookresearch.github.io/Kats/api/
In [1]:
# 导入库
import numpy as np
import pandas as pd
from datetime import datetime, timedelta
import matplotlib.pyplot as plt
%matplotlib inline
import warnings
warnings.filterwarnings('ignore')
from kats.consts import TimeSeriesData
使用自带的air_passengers.csv的数据集。
In [2]:
# ./ 表示的当前目录下
air = pd.read_csv("./Kats/kats/data/air_passengers.csv")
air.head()
一定要有time字段:
In [7]:
type(air) # 转换前
Out[7]:
pandas.core.frame.DataFrame
In [8]:
air_ts = TimeSeriesData(air) # 实施转换
In [9]:
type(air_ts) # 转换后
Out[9]:
kats.consts.TimeSeriesData
In [10]:
print(type(air_ts.time))
print(type(air_ts.value))
<class 'pandas.core.series.Series'>
<class 'pandas.core.series.Series'>
In [11]:
air_ts_from_series = TimeSeriesData(time=air.time, value=air.value)
air_ts_from_series
TimeSeriesData对象支持很多类似pd.DataFrame的操作:
当两个TimeSeries对象进行相加的时候,time列的取值必须相同:
In [16]:
air_ts[2:8] + air_ts_from_series[2:8]
如果time列的值不同,则会报错:
In [18]:
air_ts == air_ts_from_series
Out[18]:
True
In [19]:
len(air_ts)
Out[19]:
144
In [20]:
air_ts.max
Out[20]:
622
In [21]:
air_ts.min
Out[21]:
104
In [22]:
# 是否是单变量:is_univariate
air_ts.is_univariate()
Out[22]:
True
In [23]:
# 是否为空
air_ts.is_empty()
Out[23]:
False
In [24]:
# 是否有数据缺失
air_ts.is_data_missing()
Out[24]:
False
In [25]:
air_to_df = air_ts.to_dataframe()
air_to_df.head()
对两个不同的TimeSeries对象在axis=0方向上的扩充
In [26]:
k1 = air_ts[2:5] # 3行记录
k2 = air_ts[5:8] # 3行记录
k1.extend(k2)
需要注意的是,扩充的时候两个对象的日期的头尾必须是能连接的上:
直接使用plot方法对Kats中的TimeSeriesData对象进行绘图
In [29]:
air_ts.plot()
plt.show()
Kats目前是支持多种预测的算法,常见的有:
在使用的时候通过fit和predict函数就可以完成基本的预测功能。
建模拟合 + 预测的过程:
In [30]:
下面的预测结果中:fcst是预测的均值,fcst_lower是预测的下限,fcst_upper是预测的上限
绘制预测结果的可视化图形:
In [31]:
model.plot()
plt.show()
加上历史数据我们再预测一次:
from kats.models.prophet import ProphetModel, ProphetParams
params = ProphetParams(seasonality_mode="multiplicative", interval_width=0.8)
model = ProphetModel(data=air_ts, params=params)
model.fit()
# 加上历史数据 include_history=True
forecast = model.predict(steps=24, freq="MS",include_history=True)
model.plot()
黑线是原始的数据,蓝线是预测的结果
使用LSTM模型再预测一次:
In [33]:
对比Prophet和LSTM模型,我们发现:Prophet的趋势更好
In [4]:
multi_ts = TimeSeriesData(df)
In [5]:
type(multi_ts.time)
Out[5]:
pandas.core.series.Series
In [6]:
type(multi_ts.value)
Out[6]:
pandas.core.frame.DataFrame
In [7]:
multi_ts_two = TimeSeriesData(time=df.time,value=df[["v1","v2"]])
multi_ts_two
In [10]:
multi_ts.plot(cols=["v1","v2"])
plt.show()
预测结果如下:
将来需要学习的主要内容:
1、模型框架:Prophet + Kats + ARIMA
2、推荐一门Intel的时序分析课程:
https://www.intel.cn/content/www/cn/zh/developer/learn/course-time-series-analysis.html
3、书籍:FPP《预测:方法与实践》(第2版左,第三版右),第二版中文在线地址:https://otexts.com/fppcn/