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android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
http://www.chinasem.cn

三、编程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China编程指标预测，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China编程(www.chinasem.cn)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编程China编程(www.chinasem.cn)！