Facebook开源时序利器-Kats

Posted 尤尔小屋的猫

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Facebook开源时序利器-Kats相关的知识,希望对你有一定的参考价值。

公众号:尤而小屋
作者:Peter
编辑:Peter

大家好,我是Peter~

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。

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:

  • TimeSeriesData(df):要求包含一个"time"列和任意值列的pd.DataFrame对象
  • TimeSeriesData(time, value):其中"time"是pd.Series或者pd.DatetimeIndex对象,值是pd.Series(单变量)或者pd.DataFrame(多变量)

安装

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/

导入库

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

单变量预测

使用自带的air_passengers.csv的数据集。

导入数据

In [2]:

# ./ 表示的当前目录下

air = pd.read_csv("./Kats/kats/data/air_passengers.csv")
air.head()

字段重命名

一定要有time字段:

方式1:创建TimeSeriesData对象

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'>

方式2:TimeSeriesData(time,value)创建

In [11]:

air_ts_from_series = TimeSeriesData(time=air.time, value=air.value)
air_ts_from_series

TimeSeriesData对象操作

TimeSeriesData对象支持很多类似pd.DataFrame的操作:

  • 切片取数slicing
  • 数学计算
  • 内置的plot()方法绘图
  • 一些常用的内置函数使用

切片取数

数学运算

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:

逻辑判断

In [18]:

air_ts == air_ts_from_series

Out[18]:

True

计算长度

In [19]:

len(air_ts)

Out[19]:

144

常用属性

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

转成DataFrame对象

In [25]:

air_to_df = air_ts.to_dataframe()
air_to_df.head()

扩充extend(重点)

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:

绘图

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()

基于Kats的预测

Kats目前是支持多种预测的算法,常见的有:

  • Linear
  • Quadratic
  • ARIMA(重点)
  • SARIMA
  • Holt-Winters
  • Prophet(重点)
  • AR-Net
  • LSTM(重点)
  • Theta
  • VAR

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。

使用Prophet

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

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

多变量预测

导入数据

创建TimeSeriesData对象

方式1

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

方式2

In [7]:

multi_ts_two = TimeSeriesData(time=df.time,value=df[["v1","v2"]])
multi_ts_two

原数据绘图

In [10]:

multi_ts.plot(cols=["v1","v2"])

plt.show()

多变量预测

预测结果如下:

上海疫情

手动整理上海最近30天的数据:

读取数据:

绘图

1、每日新增的预测结果:

具体数值为:

2、7日均值的预测趋势图

具体的数值为:

后续会来验证下这个结果!

时序资料

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/

以上是关于Facebook开源时序利器-Kats的主要内容,如果未能解决你的问题,请参考以下文章

再次出发!FaceBook 开源“一站式服务“时序利器 Kats !

再次出发!FaceBook 开源“一站式服务“时序利器 Kats !

太棒了!FaceBook 开源全网第一个时序王器 Kats !

Kats时间序列开源库的使用笔记

Kats时间序列开源库的使用笔记

深度解读Facebook刚开源的beringei时序数据库——数据压缩delta of delta+充分利用内存以提高性能