Python的Darts库实现时间序列预测

在人工智能和数据分析领域，时间序列预测 是一个极其重要的分支，它贯穿了金融、能源、医疗、交通、零售等多个行业。从预测股票价格、能源消耗，到销售量、疾病传播趋势，时间序列建模已成为数据科学家必须掌握的核心技能。

而在 Python 生态中，有一个优雅且功能强大的时间序列预测库正在迅速流行起来，它就是——Darts。

本文将深入解析 Darts 库的设计理念、核心组件、使用方法和典型应用案例，帮助你快速掌握这一工具并将其用于实际项目中。

目录

1. 什么是 Darts？
2. 安装与基本配置
3. 时间序列数据结构与预处理
4. 多种模型接口：ARIMA、Prophet、RNN、Transformer 等
5. 模型训练与评估
6. 多变量、多步预测与反向验证
7. 实战案例：预测电力消耗曲线
8. 与其他时间序列工具对比
9. 优势与局限性
10. 总结与展望

一、什么是 Darts？

Darts 是一个 Python 时间序列分析和预测库，由 Unit8 公司开发，目标是提供一个统一、简单的接口来使用包括经典统计模型、机器学习模型和深度学习模型在内的各种时间序列方法。

“从 ARIMA 到 Transformer，只用几行代码。”——这是 Darts 的宗旨。

核心功能包括：

• 单变量与多变量预测
• 单步与多步预测（Recursive, Direct, Mixed）
• 时间序列的平滑、差分、归一化等预处理工具
• 集成多个主流模型（ARIMA、Prophet、LSTM、NBEATS、Transformer、XGBoost）
• 模型组合与集成
• 时间序列回测与评估
• 与 pandas/Numpy 深度集成，极易上手

二、安装与基本配置

安装 Darts

pip install u8darts[all]  # 安装所有依赖，包括深度学习模型

或者只安装核心功能：

pip install u8darts

注意：建议使用 Python 3.8+ 环境，并提前安装 PyTorch、lightgbm、xgboost 等依赖包。

导入基础模块

from darts import TimeSeries
from darts.models import NBEATSModel, ExponentialSmoothing
from darts.metrics import mape

三、时间序列数据结构与预处理

在 Darts 中，核心数据结构是 TimeSeries 对象，类似于 pandas DataFrame 但为时间序列优化。

创建一个简单序列：

import pandas as pd
from darts import TimeSeries

df = pd.read_csv("air_passengers.csv", parse_dates=["Month"])
series = TimeSeries.from_dataframe(df, "Month", "#Passengers")

常见预处理操作：

# 插值填补缺失值
series = series.interpolate()

# 平滑处理
smoothed = series.rolling(window=12)

# 归一化
from darts.dataprocessing.transformers import Scaler
scaler = Scaler()
normalized = scaler.fit_transform(series)

四、多种模型接口：从经典到深度学习

Darts 内置多种模型，统一 API：

示例：使用 ARIMA

from darts.models import ARIMA

model = ARIMA()
model.fit(series[:-36])
forecast = model.predict(36)

使用深度模型（如 N-BEATS）

model = NBEATSModel(input_chunk_length=36, output_chunk_length=12, n_epochs=100)
model.fit(series[:-36])
forecast = model.predict(36)

五、模型训练与评估

划分训练集与测试集

train, val = series.split_before(0.8)

训练与预测

model = ExponentialSmoothing()
model.fit(train)
pred = model.predict(len(val))

评估结果

from darts.metrics import mape

error = mape(val, pred)
print(f"MAPE: {error:.2f}%")

还可以使用 RMSE、MASE、sMAPE 等指标。

六、多变量、多步预测与回测

Darts 非常适合多变量预测和多步预测，适合多特征建模。

多变量输入：

# 将多个 TimeSeries 合并为 multivariate series
combined = TimeSeries.from_dataframe(df, time_col="Date", value_cols=["Temp", "Humidity", "PowerLoad"])

多步预测策略：

• Direct：为每一个未来时间点训练一个独立模型；
• Recursive：一个模型递归预测；
• Mixed：结合两者优点。

Darts 的模型大部分支持这三种策略，自动处理长序列预测问题。

七、实战案例：电力负荷预测

我们以电力系统的负荷曲线为例，预测未来一周的电力需求。

Step 1：加载数据

df = pd.read_csv("power_load.csv", parse_dates=["timestamp"])
series = TimeSeries.from_dataframe(df, "timestamp", "load_kw")

Step 2：训练集与测试集划分

train, val = series.split_before(pd.Timestamp("2023-06-01"))

Step 3：建立模型并训练

model = TransformerModel(input_chunk_length=48, output_chunk_length=24, n_epochs=150)
model.fit(train)

Step 4：预测与评估

forecast = model.predict(n=72)
mape_score = mape(val[:72], forecast)

Step 5：可视化结果

series.plot(label="Actual")
forecast.plot(label="Forecast")

结果曲线可以明显看出模型预测能力强，且具有平滑性。

八、与其他时间序列库对比

九、优势与局限性分析

✅ 优势：

• 统一 API：无论是 ARIMA 还是 LSTM，一套接口调用；
• 模型丰富：融合统计与深度模型，适配各种数据；
• 可扩展性强：支持定制模型、集成多个模型；
• 支持 PyTorch 后端：深度模型训练快速；
• 强大的时间序列处理模块：平滑、差分、补全、归一化一步到位；
• 回测与模型选择模块完善：可以实现自动模型选择。

❌ 局限性：

• 模型训练速度相较 scikit-learn 稍慢；
• 深度学习模型训练需 GPU 否则效率低；
• 在大规模部署场景下还需与其它工具配合（如 Apache Kafka）；
• 学习曲线相对 Prophet、statsmodels 略高。

十、总结与展望

Darts 是当前 Python 时间序列预测领域功能最全、结构最优雅的库之一，适合数据科学家、研究人员与开发者快速构建预测系统。

无论你是做传统的财务指标预测，还是深度学习驱动的能源需求预测，Darts 都提供了强大而灵活的工具链。随着其社区持续扩展，未来有望成为时间序列领域的“scikit-learn”。

到此这篇关于Python的Darts库实现时间序列预测的文章就介绍到这了,更多相关Python Darts库时间序列内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

最新评论