/TSFrame-time-series-forecasting

Primary LanguagePython

简体中文 | English

项目背景

TSFrame是一个单指标时间序列数据预测项目，使用统一接口整合了多种时序分解方法与时序预测方法，保留核心参数，降低使用成本。

项目在Python 3.6的环境下运行。

特点:

  • 支持的时间序列分解方法包括：STL、RobustSTL、X11

  • 支持的时间序列预测方法包括：Arima、Holt、Prophet

  • 在无分解模式下，直接对时序数据进行预测。

  • 在分解模式下，首先将时序数据分解为趋势项、季节项与残差项；接着，使用指定模型对每一项分别进行预测；最后，聚合各项预测结果，最后时序数据的最终预测结果。

  • 支持in-sample & out-of-sample预测

  • 轻松拓展至更多模型

快速上手

python main.py

用法

参考Config.py 文件中的注释，根据时序预测任务的实际需求，灵活配置模型及参数。

示例

以下实验结果来自 Config.py文件提供的默认配置：

分解模式 (趋势项建模：Holt,；季节项建模：Prophet, 残差项建模：Arima)

  • 加性分解

    decompose

  • 趋势项预测

    trend

  • 季节项预测

    season

  • 残差项预测

    residual

  • 最终预测结果

    total

无分解模式 (使用Arima建模)

no_decompose_total