Nixtla lanza StatsForecast 1.7.5: mejora del pronóstico de series temporales con MFLES y la integración de Scikit-Learn

Nixtla develada Pronóstico de estadísticas 1.7.5, una actualización importante que trae nuevas características y mejoras que solidifican aún más su posición como herramienta líder para el pronóstico de series temporales univariadas. Esta versión presenta el innovador modelo MFLES y un contenedor conveniente para modelos scikit-learn, que permite a los usuarios aprovechar funciones exógenas fácilmente.

Una de las características destacadas de esta versión es la adición de Modelo MFLES (Suavizamiento exponencial lineal de Fourier mediano), aportado por Tyler Blume. Este modelo destaca por su excelente rendimiento, velocidad y versatilidad, soportando características exógenas y manejando múltiples estacionales con aplomo. El modelo MFLES se basa en la descomposición de series temporales impulsada por gradiente, integrando técnicas de descomposición tradicionales como estimador base en el proceso de impulso. Su nombre deriva de los estimadores subyacentes: mediana, términos de Fourier, tendencias lineales y suavizado exponencial. Esta combinación permite que el modelo MFLES ofrezca pronósticos sólidos y precisos, lo que lo convierte en una valiosa adición al arsenal de StatsForecast.

La nueva versión también incluye un contenedor para modelos scikit-learn, que permite a los usuarios utilizar las ricas capacidades de ingeniería de características de scikit-learn en sus tareas de pronóstico de series temporales. El contenedor `statsforecast.models.SklearnModel` permite entrenar un modelo por serie, lo que puede ser más efectivo que un único modelo global en ciertos escenarios. Esta integración ofrece flexibilidad y mejora el poder de modelado de StatsForecast, facilitando la incorporación de variables externas como el clima o los precios en los modelos de pronóstico.

StatsForecast aborda las limitaciones de las alternativas existentes a Python para modelos estadísticos, que a menudo son lentos, inexactos y no escalables. Diseñado para ofrecer un alto rendimiento y escalabilidad, StatsForecast puede adaptarse de manera eficiente a millones de series temporales, lo que lo hace adecuado para entornos de producción y fines de evaluación comparativa.

Las características clave y el rendimiento de StatsForecast 1.7.5 incluyen:

Previsión automática: StatsForecast incluye herramientas automáticas como AutoARIMA, AutoETS, AutoCES y AutoTheta, que buscan los mejores parámetros y modelos para un grupo de series temporales. Estas herramientas están optimizadas para el rendimiento, lo que garantiza resultados rápidos y precisos.

Variedad de modelos: Desde las familias ARIMA y Theta hasta modelos para múltiples estacionales y modelos GARCH/ARCH, StatsForecast cubre una amplia gama de necesidades de pronóstico.

Velocidad y eficiencia: La biblioteca es 20 veces más rápida que pmdarima, 1,5 veces más rápida que R y significativamente más rápida que otras herramientas populares como Prophet y statsmodels. Al utilizar numba para compilar código de máquina de alto rendimiento, StatsForecast establece un nuevo estándar de velocidad y eficiencia.

Compatibilidad e integración: La compatibilidad inmediata con Spark, Dask y Ray permite una integración perfecta en varios canales de procesamiento de datos. La biblioteca también admite pronósticos probabilísticos, intervalos de confianza, detección de anomalías y variables exógenas.

Sintaxis fácil de usar: Con una sintaxis familiar similar a la de sklearn, StatsForecast ofrece una interfaz intuitiva para ajustar y predecir modelos de series temporales, haciéndola accesible para usuarios de todos los niveles.

Instalar StatsForecast es sencillo. Se puede instalar usando pip o conda:

pip install statsforecast
conda install -c conda-forge statsforecast

Para un comienzo rápido, el siguiente ejemplo demuestra el ajuste y la predicción con el modelo AutoARIMA:

from statsforecast import StatsForecast
from statsforecast.models import AutoARIMA
from statsforecast.utils import AirPassengersDF

df = AirPassengersDF
sf = StatsForecast(models=[AutoARIMA(season_length=12)], freq='M')
sf.fit(df)
sf.predict(h=12, level=[95])

Ejemplos y guías de StarForecast:

• Tutorial de un extremo a otro: Entrenamiento, evaluación y selección de modelos para múltiples series temporales.
• Detección de anomalías: Detecte anomalías en series temporales utilizando intervalos de predicción en la muestra.
• Validación cruzada: Evaluación robusta del desempeño de los modelos.
• Múltiples estacionalidades: Pronostique datos con múltiples estacionales usando un MSTL.
• Predecir los picos de demanda: Previsión de carga eléctrica para detectar picos diarios y reducir la factura eléctrica.
• Demanda intermitente: Series de pronóstico con muy pocas observaciones distintas de cero.
• Regresores exógenos: Utilice variables externas como el clima o los precios en los modelos de pronóstico.

En conclusión, StatsForecast 1.7.5 cambia las reglas del juego para el pronóstico de series temporales univariadas, ya que ofrece velocidad, precisión y flexibilidad. Agregar el modelo MFLES y la integración scikit-learn amplía las capacidades de la herramienta, convirtiéndola en un recurso indispensable para los científicos y analistas de datos. Ya sea que sea necesario pronosticar picos de demanda, detectar anomalías o manejar múltiples estacionales, StatsForecast proporciona las herramientas y el rendimiento necesarios.