Kats : une boîte à outils pour analyser les données de séries temporelles et prédire les tendances futures des données

Introduction générale

Kats est une boîte à outils open source développée par une équipe de chercheurs de Meta (anciennement Facebook) et conçue pour l'analyse des séries temporelles. Kats fournit un cadre léger et facile à utiliser qui couvre des fonctionnalités allant de l'analyse statistique de base à la modélisation prédictive sophistiquée, en passant par la détection d'anomalies et l'extraction de caractéristiques. Que vous soyez un scientifique des données ou un ingénieur, Kats peut vous aider à traiter et à comprendre plus efficacement les données de séries temporelles. Il supporte non seulement une large gamme de modèles, mais fournit également des tutoriels et des exemples riches pour aider les utilisateurs à démarrer rapidement.

Liste des fonctions

• Analyse de données de séries temporellesLes caractéristiques statistiques de base sont comprises et analysées.
• Détection des points de changementIdentification des points de changement dans les données de séries temporelles.
• détection des anomaliesDétection des valeurs aberrantes dans les données de séries temporelles.
• Prévisions de tendancesLes modèles : utilisation de modèles multiples pour prédire les tendances futures.
• Extraction et intégration de caractéristiquesLes données de la série temporelle : extraire des caractéristiques utiles à partir des données de la série temporelle.
• analyse multivariéeLes données de séries temporelles multivariées : Support pour l'analyse des données de séries temporelles multivariées.

Utiliser l'aide

Processus d'installation

Kats peut être installé via PyPI, voici les étapes détaillées de l'installation :

1. Mise à jour des tuyaux :

   pip install --upgrade pip

2. Installer Kats :

   pip install kats

3. Si vous n'avez besoin que de quelques fonctionnalités de Kats, vous pouvez installer la version Lite :

   MINIMAL_KATS=1 pip install kats

Lignes directrices pour l'utilisation

Analyse de données de séries temporelles

1. Importer les bibliothèques et les données nécessaires :

   import pandas as pd
from kats.consts import TimeSeriesData
from kats.models.prophet import ProphetModel, ProphetParams
# 读取数据
air_passengers_df = pd.read_csv("path/to/air_passengers.csv", header=0, names=["time", "passengers"])
air_passengers_ts = TimeSeriesData(air_passengers_df)

2. Créer et former des modèles prédictifs :

   params = ProphetParams(seasonality_mode='multiplicative')
model = ProphetModel(air_passengers_ts, params)
model.fit()

3. Faites des pronostics :

   forecast = model.predict(steps=30, freq="MS")

Détection des points de changement

1. Présentation des algorithmes de détection des points de changement :

   from kats.detectors.cusum_detection import CUSUMDetector
# 模拟时间序列数据
df_increase = pd.DataFrame({'time': pd.date_range('2019-01-01', '2019-03-01'), 'value': np.random.randn(60).cumsum()})
ts = TimeSeriesData(df_increase)
# 进行变化点检测
detector = CUSUMDetector(ts)
change_points = detector.detector()

détection des anomalies

1. Importer des algorithmes de détection d'anomalies :

   from kats.detectors.bocpd import BOCPDetector
# 使用模拟数据进行异常检测
detector = BOCPDetector(ts)
anomalies = detector.detector()

Recommandations d'utilisation

• Prétraitement des données : assurez-vous que vos données de séries temporelles sont propres et traitez les valeurs manquantes ou aberrantes afin d'améliorer la précision de vos analyses.
• Sélection du modèle : choisissez le bon modèle en fonction des caractéristiques de vos données. kats propose plusieurs modèles et vous pouvez trouver celui qui convient le mieux en expérimentant.
• Visualisation : Utilisez les capacités de visualisation intégrées de Kats pour comprendre les schémas de données et la performance des modèles, ce qui est utile lors de l'analyse et de la communication des résultats.
• Évaluation des performances : évaluer les performances de différents modèles et sélectionner les meilleurs hyperparamètres avant d'appliquer le modèle.

Traitement des problèmes courants

• Problèmes d'installation : Si vous rencontrez des conflits de dépendances lors de l'installation, essayez d'installer dans un environnement virtuel ou consultez la FAQ sur la page officielle GitHub de Kats.
• Problèmes de format de données : si le format de vos données est différent de celui attendu par Kats, une erreur peut se produire. Assurez-vous que les noms des colonnes de données sont corrects et que les types de données sont conformes aux exigences.
• Problèmes de performance : pour les ensembles de données à grande échelle, envisager l'échantillonnage des données ou utiliser des modèles plus efficaces pour réduire le temps de calcul.