kaggle竞赛宝典干货

作者：杰少

时间序列王器-Kats

简介

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。而对于时间序列的分析以及建模目前也有非常多的技术，但相对散乱，本次FaceBook开源了Kats，它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。

在上个月，FaceBook开园了一款新的分析时间序列数据的library--Kats，Kats是以款：

• 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。

据我们所知，Kats是第一个用于一般时间序列分析的综合Python库，它提供了经典和高级的时间序列数据建模技术。

Kats

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。

代 码

01

预测案例

# !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()

# 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()

02

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>)]

03

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)

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}

参考文献

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

2. https://github.com/facebookresearch/Kats

3. Kats - Time Series Forecasting By Facebook

公众号：AI蜗牛车保持谦逊、保持自律、保持进步个人微信
备注：昵称+学校/公司+方向
如果没有备注不拉群！
拉你进AI蜗牛车交流群