時間序列分析是數據科學中一個非常重要的領域，它主要包含統計分析、檢測變化點、異常檢測和預測未來趨勢。然而，這些時間序列技術通常由不同的庫實現。有沒有一種方法可以讓你在一個庫中獲得所有這些技術？

答案是肯定的，本文中我將分享一個非常棒的工具包 Kats，它可以完美解決上述問題。

什么是 Kats？

目前時間序列分析以及建模的技術非常多，但相對散亂，本次 FaceBook 開源了 Kats，它是一款輕量級的、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。你可以將 Kats 視為 Python 中時間序列分析的一站式工具包。

安裝 Kats

pip?install?--upgrade?pip pip?install?kats

為了了解 Kats 的功能，我們將使用這個框架來分析 Kaggle 上的 StackOverflow問題計數問題。數據鏈接為：https://www.kaggle.com/aishu200023/stackindex

首先我們從讀取數據開始。

import?pandas?as?pd df?=?pd.read_csv("MLTollsStackOverflow.csv") #?Turn?the?month?column?into?datetime df["month"]?=?pd.to_datetime(df["month"],?format="%y-%b") df?=?df.set_index("month")

現在讓我們分析一下與 Python 相關的 StackOverflow 問題計數。數據被分成一列和一個測試集來評估預測。

python?=?df["python"].to_frame()#?Split?data?into?train?and?test?set train_len?=?102 train?=?python.iloc[:train_len] test?=?python.iloc[train_len:]

將數據轉換為時間序列

首先構造一個時間序列對象。我們使用time_col_name='month'指定時間列。

from?kats.consts?import?TimeSeriesData#?Construct?TimeSeriesData?object ts?=?TimeSeriesData(train.reset_index(),?time_col_name="month")

要繪制數據，調用plot方法：

ts.plot(cols=["python"])

酷！看起來關于 Python 的問題的數量隨著時間的推移而增加。我們能預測未來30天的趨勢嗎？是的，我們可以和 Kats 一起做。

預測

Kats目前支持以下10種預測模型：

• Linear

• Quadratic

• ARIMA

• SARIMA

• Holt-Winters

• Prophet

• AR-Net

• LSTM

• Theta

• VAR

上述模型較多，讓我們試一下其中兩種類型吧！

1、從使用 Prophet 進行預測開始：

from?kats.models.prophet?import?ProphetModel,?ProphetParams #?Specify?parameters params?=?ProphetParams(seasonality_mode="multiplicative") #?Create?a?model?instance m?=?ProphetModel(ts,?params) #?Fit?mode m.fit() #?Forecast fcst?=?m.predict(steps=30,?freq="MS") fcst

可視化

m.plot()

酷！讓我們通過與測試數據的比較來評估預測。

import?matplotlib.pyplot?as?pltfig,?ax?=?plt.subplots(figsize=(12,?7))train.plot(ax=ax,?label="train",?color="black") test.plot(ax=ax,?color="black") fcst.plot(x="time",?y="fcst",?ax=ax,?color="blue")ax.fill_between(test.index,?fcst["fcst_lower"],?fcst["fcst_upper"],?alpha=0.5) ax.get_legend().remove()

預報似乎很好地符合觀察結果！

Holt-Winters

我們將嘗試的下一個模式是Holt-Winters。它是一種捕捉季節性的方法。下面是如何在 Kats 中使用 Holt-Winters 方法。

from?kats.models.holtwinters?import?HoltWintersParams,?HoltWintersModel import?warnings warnings.simplefilter(action='ignore')params?=?HoltWintersParams(trend="add",seasonal="mul",seasonal_periods=12,) m?=?HoltWintersModel(data=ts,?params=params)m.fit() fcst?=?m.predict(steps=30,?alpha?=?0.1) m.plot()

檢測變化點

你有沒有想過在你的時間序列中發生統計上顯著的均值變化的時間？

Kats 允許使用 CUSUM 算法檢測變化點。Cusum 是一種檢測時間序列中均值上下移動的方法。

讓我們看看如何檢測 Kats 中的變化點。

from?kats.consts?import?TimeSeriesData,?TimeSeriesIterator from?kats.detectors.cusum_detection?import?CUSUMDetector import?matplotlib.pyplot?as?pltdetector?=?CUSUMDetector(ts)change_points?=?detector.detector(change_directions=["increase",?"decrease"]) print("The?change?point?is?on",?change_points[0][0].start_time)#?plot?the?results plt.xticks(rotation=45) detector.plot(change_points) plt.show()

酷！讓我們嘗試檢測 StackOverflow 問題計數的其他類別的變化點。

首先創建一個函數來檢測主題提供的更改點。

def?get_ts(topic:?str):return?TimeSeriesData(df[topic].to_frame().reset_index(),?time_col_name="month")def?detect_change_point(topic:?str):ts?=?get_ts(topic)detector?=?CUSUMDetector(ts)change_points?=?detector.detector()for?change_point?in?change_points:print("The?change?point?is?on",?change_point[0].start_time)#?plot?the?resultsplt.xticks(rotation=45)detector.plot(change_points)plt.show()

機器學習

detect_change_point("machine-learning")

深度學習

detect_change_point("deep-learning")

孤立點檢測

你在看NLP的時間序列時看到了什么？

df["nlp"].plot()

從2018年到2019年，NLP的問題數量有所下降。

問題數量的下降是一個異常值。檢測異常值很重要，因為它們可能會在下游處理中造成問題。

然而，通過查看數據來發現異常值并不總是高效和容易的。幸運的是，Kats還允許您檢測時間序列中的異常值！

用kat檢測異常值只需要幾行行代碼。

from?kats.detectors.outlier?import?OutlierDetector#?Get?time?series?object ts?=?get_ts("nlp")#?Detect?outliers ts_outlierDetection?=?OutlierDetector(ts,?"additive") ts_outlierDetection.detector()#?Print?outliers outlier_range1?=?ts_outlierDetection.outliers[0] print(f"The?outliers?range?from?{outlier_range1[0]}?to?{outlier_range1[1]}") The?outliers?range?from?2018-01-01?00:00:00?to?2019-03-01?00:00:00

酷！結果證實了我們從上圖中看到的情況。

時間序列特征

除了統計數據外，時間序列中還有其他一些特性，如線性、趨勢強度、季節性強度、季節性參數等，您可能會感興趣。

Kats 允許通過 TsFeatures 查找有關時間序列特征的重要信息：

from?kats.tsfeatures.tsfeatures?import?TsFeaturesmodel?=?TsFeatures()output_features?=?model.transform(ts) output_features

小結

我們剛剛學習了如何使用 Kats 來預測、檢測變化點、檢測異常值和提取時間序列特征。我希望這篇文章能幫助到大家解決工作中的時間序列問題，并從數據中提取有價值的信息。

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黃海廣老師《機器學習課程》視頻課 本站qq群851320808，加入微信群請掃碼： 與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的【时间序列】再次出发！FaceBook 开源一站式服务时序利器 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。