作者：杰少

時間序列王器-Kats

簡介

時間序列分析建模是數據科學和機器學習的一個重要的領域，在電子商務、金融、供應鏈管理、醫學、氣象、能源、天文等諸多領域有著廣泛的應用。而對于時間序列的分析以及建模目前也有非常多的技術，但相對散亂，本次FaceBook開源了Kats，它是第一個開發標準并連接時間序列分析各個領域的綜合Python庫，用戶可以在這里探索其時間序列數據的基本特征，預測未來值，監視異常，并將其合并到ML模型和pipeline中。

在上個月，FaceBook開園了一款新的分析時間序列數據的library--Kats，Kats是以款：

• 輕量級的、易于使用的、通用的時間序列分析框架；

包括

• 預測、異常檢測、多元分析和特征提取/嵌入。

據我們所知，Kats是第一個用于一般時間序列分析的綜合Python庫，它提供了經典和高級的時間序列數據建模技術。

Kats

1. Kats的優勢

Kats是一個分析時間序列數據的工具箱，特點是：

• 輕量級；

• 易于使用；

• 通用；

可以用來執行時間序列分析。

2. Kats的功能

Kats的核心四大功能包括：

• 模型預測：Kats提供了一套完整的預測工具，包括10+個單獨的預測模型、ensembling、自監督學習（meta-learning）模型、backtesting、超參數調整和經驗預測區間。

• 檢測：Kats支持檢測時間序列數據的各種模式的功能，包括季節性、異常值、變化點和緩慢的趨勢變化檢測。

• 特征提取與嵌入：Kats中的時間序列特征（TSFeature）提取模塊可以產生65個具有明確統計定義的特征，這些特征可以應用于大多數機器學習（ML）模型，如分類和回歸。

• 使用的功能：Kats還提供了一組有用的實用程序，例如時間序列模擬器。

代 碼

01

預測案例

#?!pip?install?kats import?pandas?as?pdfrom?kats.consts?import?TimeSeriesData from?kats.models.prophet?import?ProphetModel,?ProphetParams#?take?`air_passengers`?data?as?an?example air_passengers_df?=?pd.read_csv("./data/air_passengers.csv",header=0,names=["time",?"passengers"], ) air_passengers_df.head()
timepassengers01234

1949-01-01	112
1949-02-01	118
1949-03-01	132
1949-04-01	129
1949-05-01	121

#?convert?to?TimeSeriesData?object air_passengers_ts?=?TimeSeriesData(air_passengers_df) #?create?a?model?param?instance params?=?ProphetParams(seasonality_mode='multiplicative')?#?additive?mode?gives?worse?results #?create?a?prophet?model?instance m?=?ProphetModel(air_passengers_ts,?params) #?fit?model?simply?by?calling?m.fit() m.fit() #?make?prediction?for?next?30?month fcst?=?m.predict(steps=30,?freq="MS") INFO:fbprophet:Disabling weekly seasonality. Run prophet with weekly_seasonality=True to override this. INFO:fbprophet:Disabling daily seasonality. Run prophet with daily_seasonality=True to override this. fcst.tail()
timefcstfcst_lowerfcst_upper2526272829

1963-02-01	504.226854	488.814245	518.102516
1963-03-01	585.357522	569.323618	600.734632
1963-04-01	563.669453	548.299180	578.251332
1963-05-01	586.795969	571.121988	602.562586
1963-06-01	668.096474	650.864940	685.632700

02

時間序列檢測案例

• 異常改變點的檢測

import?numpy?as?np from?kats.consts?import?TimeSeriesData from?kats.detectors.cusum_detection?import?CUSUMDetector#?simulate?time?series?with?increase np.random.seed(10) df_increase?=?pd.DataFrame({'time':?pd.date_range('2019-01-01',?'2019-03-01'),'increase':np.concatenate([np.random.normal(1,0.2,30),?np.random.normal(2,0.2,30)]),} )#?convert?to?TimeSeriesData?object timeseries?=?TimeSeriesData(df_increase)#?run?detector?and?find?change?points change_points?=?CUSUMDetector(timeseries).detector() df_increase.groupby('time')['increase'].first().plot()
change_points [(TimeSeriesChangePoint(start_time: 2019-01-30 00:00:00, end_time: 2019-01-30 00:00:00, confidence: 1.0),<kats.detectors.cusum_detection.CUSUMMetadata at 0x7fa9449fe910>)]

03

時間序列特征

#?Initiate?feature?extraction?class from?kats.tsfeatures.tsfeatures?import?TsFeatures #?take?`air_passengers`?data?as?an?example air_passengers_df?=?pd.read_csv("./data/air_passengers.csv",header=0,names=["time",?"passengers"], )#?convert?to?TimeSeriesData?object air_passengers_ts?=?TimeSeriesData(air_passengers_df)#?calculate?the?TsFeatures features?=?TsFeatures().transform(air_passengers_ts)? features {'length': 144,'mean': 280.2986111111111,'var': 14291.97333140432,'entropy': 0.4287365561752448,'lumpiness': 3041164.5629058965,'stability': 12303.627266589507,'flat_spots': 2,'hurst': -0.08023291030513455,'std1st_der': 27.206287853461966,'crossing_points': 7,'binarize_mean': 0.4444444444444444,'unitroot_kpss': 0.12847508180149445,'heterogeneity': 126.06450625819339,'histogram_mode': 155.8,'linearity': 0.853638165603188,'trend_strength': 0.9383301875692747,'seasonality_strength': 0.3299338017939569,'spikiness': 111.69732482853489,'peak': 6,'trough': 3,'level_shift_idx': 118,'level_shift_size': 15.599999999999966,'y_acf1': 0.9480473407524915,'y_acf5': 3.392072131604336,'diff1y_acf1': 0.30285525815216935,'diff1y_acf5': 0.2594591065999471,'diff2y_acf1': -0.19100586757092733,'diff2y_acf5': 0.13420736423784568,'y_pacf5': 1.0032882494015292,'diff1y_pacf5': 0.21941234780081417,'diff2y_pacf5': 0.2610103428699484,'seas_acf1': 0.6629043863684492,'seas_pacf1': 0.1561695525558896,'firstmin_ac': 8,'firstzero_ac': 52,'holt_alpha': 0.995070674288148,'holt_beta': 0.0042131109997650676,'hw_alpha': 0.9999999850988388,'hw_beta': 6.860710750514223e-16,'hw_gamma': 1.3205838720422503e-08}

參考文獻

https://engineering.fb.com/2021/06/21/open-source/kats/

https://github.com/facebookresearch/Kats

Kats - Time Series Forecasting By Facebook

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統計學習方法》的代碼復現專輯 AI基礎下載機器學習的數學基礎專輯溫州大學《機器學習課程》視頻 本站qq群851320808，加入微信群請掃碼：

總結

以上是生活随笔為你收集整理的【机器学习】FaceBook开源全网第一个时序王器--Kats。的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。