太棒了！FaceBook 开源全网第一个时序王器 Kats ！

Posted 2021-08-21 Python学习与数据挖掘

欢迎关注 Python学习与数据挖掘，专注Python、数据分析、数据挖掘、好玩工具！

时间序列分析建模是数据科学和机器学习的一个重要的领域，在电子商务、金融、供应链管理、医学、气象、能源、天文等诸多领域有着广泛的应用。目前时间序列分析以及建模的技术非常多，但相对散乱，本次 FaceBook 开源了 Kats，它是一款轻量级的、易于使用的、通用的时间序列分析框架，包括：预测、异常检测、多元分析和特征提取嵌入。

Kats 是第一个开发标准并连接时间序列分析各个领域的综合 Python 库，用户可以在这里探索其时间序列数据的基本特征，预测未来值，监视异常，并将其合并到ML模型和pipeline中。它在时间序列的表现非常优秀，欢迎大家收藏学习，喜欢点赞支持。

简介

1.Kats的优势

Kats是一个分析时间序列数据的工具箱，特点是：

• 轻量级；
• 易于使用；
• 通用；

可以用来执行时间序列分析。

2. Kats的功能

Kats的核心四大功能包括：

• 模型预测：Kats提供了一套完整的预测工具，包括10+个单独的预测模型、ensembling、自监督学习（meta-learning）模型、backtesting、超参数调整和经验预测区间。
• 检测：Kats支持检测时间序列数据的各种模式的功能，包括季节性、异常值、变化点和缓慢的趋势变化检测。
• 特征提取与嵌入：Kats中的时间序列特征（TSFeature）提取模块可以产生65个具有明确统计定义的特征，这些特征可以应用于大多数机器学习（ML）模型，如分类和回归。
• 使用的功能：Kats还提供了一组有用的实用程序，例如时间序列模拟器。

1、预测案例

# !pip install kats

import pandas as pd

from 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()

# 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()

2、时间序列检测案例

异常改变点的检测

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>)]

3、时间序列特征

# 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) 

参考文献

• https://engineering.fb.com/2021/06/21/open-source/kats/
• https://github.com/facebookresearch/Kats
• Kats - Time Series Forecasting By Facebook

---

技术交流

欢迎转载、收藏、有所收获点赞支持一下！

目前开通了技术交流群，群友超过2000人，添加方式如下：

如下方式均可，添加时最好方式为：来源+兴趣方向，方便找到志同道合的朋友

• 方式一、发送如下图片至微信，进行长按识别，回复加群；
• 方式二、直接添加小助手微信号：pythoner666，备注：来自CSDN
• 方式三、微信搜索公众号：Python学习与数据挖掘，后台回复：加群