多数人进行机器学习少不了利用scikit-learn，本文介绍一种开展时间序列预测更简单更好用的数据库——dart

darts库的GitHub链接：

https://github.com/unit8co/darts

darts库的文档：

https://unit8co.github.io/darts/quickstart/00-quickstart.html#Training-forecasting-models-and-making-predictions

1. darts库如何安装：

pip install darts

2. 导入darts库和数据集

像scikit-learn一样，dart也附带了一些标准数据集，不需要从外部网站下载任何文件。

#从darts库导入类timeseries

From darts import TimeSeries

#导入航空乘客数据集

From darts.datasets import AirPassengersDataset

TimeSeries是dart中的主要数据类。TimeSeries表示具有适当时间索引的单变量或多变量时间序列。

3. 加载时间序列数据并画图

#加载导入的数据

Series= AirPassengersDataset().load()

#画出这个数据集

Series.plot()

x轴代表年份，y轴代表乘客人数。

4. 其他操作

（1）数据切分

有两个命令进行数据切分：split_after(split_point)和split_before(split_point)，他们都可以将数据分成两部分，下图代码展示了将数据分成75%和25%两部分。

（2）数据切片

可以根据索引对时间序列数据进行切片。

（3）进行运算

（4）映射

运算使用Numpy库进行映射计算

import numpy as np

Series1.map(np.log).plot

（5）基于国家代码增加节假日

add_holidays方法向当前序列添加了一个二元变量，该组件在与所选国家的假日对应的每个索引处等于1，否则等于0。

（6）填充缺失值

dart包含一个filling_missing_values函数，它能够在时间序列数据中填充缺失的值，代码如下：

结果输出：

（7）划分训练集和测试集

代码中划分的训练集是直到1958年1月(不包括)的TimeSeries值，测试集余值的TimeSeries。

（8）使用NaiveSeasonal进行预测

在分割数据集之后，建立由dart库提供的第一个预测模型。dart中存在一组“原始”基线模型，这对于了解期望的最低精度非常有用。例如，naivesasional (K)模型总是“重复”K个时间步之前发生的值。在最原始的形式中，当K=1时，该模型总是简单地重复训练序列的最后一个值，代码如下：

输出如下：

使用dart库非常容易拟合和预测时间序列数据，fit()用于训练集，而predict()用于得到预测值。

（9）季节性

可以看到数据每年都显示季节性，可以通过使用stats.utils.statistics中check_seasonality来检查数据中的季节性。代码及结果如下：

可以在x = 12处看到一个峰值，它代表了年度季节性趋势(红线)。使用k = 12，重新运行Na?ve季节性模型，模型及结果如下：

模型中实现季节变化值后，它显示了更好的预测，但仍然不准确。在他们的官方文档中所述，还有另一个捕获趋势的朴素基线模型，称为NaiveDrift。该模型产生线性预测，其斜率由训练集的第一个和最后一个值决定。

（10）计算误差矩阵

可以使用stats .metrics中的map函数必须最小化的误差值，代码如下：

在k=12的Na?ve模型，显示了大约13%的误差。对这些数据执行NaiveDrift，检查它是否减少了些许误差。