Kats: ein Toolkit für die Analyse von Zeitreihendaten und die Vorhersage zukünftiger Trends in Daten

Allgemeine Einführung

Kats ist ein Open-Source-Toolkit, das von einem Forscherteam bei Meta (ehemals Facebook) entwickelt wurde und für die Zeitreihenanalyse konzipiert ist. Kats bietet ein leichtgewichtiges, benutzerfreundliches Framework, das Funktionen von der grundlegenden statistischen Analyse bis hin zu anspruchsvollen Vorhersagemodellen, Anomalieerkennung und Merkmalsextraktion umfasst. Egal, ob Sie ein Datenwissenschaftler oder ein Ingenieur sind, Kats kann Ihnen helfen, Zeitreihendaten effizienter zu verarbeiten und Einblicke in sie zu gewinnen. Kats unterstützt nicht nur eine breite Palette von Modellen, sondern bietet auch umfangreiche Tutorien und Beispiele, um den Benutzern einen schnellen Einstieg zu ermöglichen.

Funktionsliste

• Analyse von ZeitreihendatenVerstehen und Analysieren von grundlegenden statistischen Merkmalen.
• Erkennung von ÄnderungspunktenIdentifizieren Sie Änderungspunkte in Zeitreihendaten.
• Erkennung von AnomalienAusreißer in Zeitreihendaten erkennen.
• Trend-PrognosenVerwendung mehrerer Modelle zur Vorhersage künftiger Trends.
• Merkmalsextraktion und EinbettungExtrahieren nützlicher Merkmale aus Zeitreihendaten.
• multivariate AnalyseUnterstützung für die Analyse von multivariaten Zeitreihen-Daten.

Hilfe verwenden

Ablauf der Installation

Kats kann über PyPI installiert werden, hier sind die detaillierten Installationsschritte:

1. Update pip:

   pip install --upgrade pip

2. Kats installieren:

   pip install kats

3. Wenn Sie nur einen Teil der Funktionen von Kats benötigen, können Sie die Lite-Version installieren:

   MINIMAL_KATS=1 pip install kats

Richtlinien für die Verwendung

Analyse von Zeitreihendaten

1. Importieren Sie die erforderlichen Bibliotheken und Daten:

   import pandas as pd
aus kats.consts importieren TimeSeriesData
aus kats.models.prophet importieren ProphetModel, ProphetParams
# Lesen der Daten
air_passengers_df = pd.read_csv("path/to/air_passengers.csv", header=0, names=["time", "passengers"])
air_passengers_ts = TimeSeriesData(air_passengers_df)

2. Erstellen und Trainieren von Prognosemodellen:

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

3. Machen Sie Vorhersagen:

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

Erkennung von Änderungspunkten

1. Einführung von Algorithmen zur Erkennung von Änderungspunkten:

   from kats.detectors.cusum_detection import CUSUMDetector
# Zeitreihendaten simulieren
df_increase = pd.DataFrame({'time': pd.date_range('2019-01-01', '2019-03-01'), 'value': np.random.randn(60).cusum()})
ts = TimeSeriesData(df_increase)
# Erkennung von Änderungspunkten durchführen
detektor = CUSUMDetector(ts)
change_points = detector.detector()

Erkennung von Anomalien

1. Algorithmen zur Erkennung von Anomalien importieren:

   from kats.detectors.bocpd import BOCPDetector
# Anomalieerkennung unter Verwendung simulierter Daten
detektor = BOCPDetector(ts)
Anomalien = detektor.detektor()

Empfehlungen für die Verwendung

• Datenvorverarbeitung: Stellen Sie sicher, dass Ihre Zeitreihendaten sauber sind und beseitigen Sie fehlende Werte oder Ausreißer, um die Genauigkeit Ihrer Analysen zu verbessern.
• Modellauswahl: Wählen Sie das richtige Modell entsprechend den Merkmalen Ihrer Daten. kats stellt mehrere Modelle zur Verfügung, und Sie können das am besten geeignete Modell durch Ausprobieren finden.
• Visualisierung: Nutzen Sie die integrierten Visualisierungsfunktionen von Kats, um Datenmuster und Modellleistung zu verstehen, was bei der Analyse und Berichterstattung von Ergebnissen nützlich ist.
• Leistungsbewertung: Bewertung der Leistung der verschiedenen Modelle und Auswahl der besten Hyperparameter vor der Anwendung des Modells.

Umgang mit häufigen Problemen

• Installationsprobleme: Wenn Sie während der Installation auf Abhängigkeitskonflikte stoßen, versuchen Sie die Installation in einer virtuellen Umgebung oder lesen Sie die FAQ auf der offiziellen GitHub-Seite von Kats.
• Probleme mit dem Datenformat: Wenn sich Ihr Datenformat von dem unterscheidet, was Kats erwartet, kann dies zu einem Fehler führen. Vergewissern Sie sich, dass die Namen Ihrer Datenspalten korrekt sind und dass die Datentypen den Anforderungen entsprechen.
• Leistungsaspekte: Bei großen Datensätzen sollten Sie eine Datenstichprobe in Betracht ziehen oder effizientere Modelle verwenden, um die Berechnungszeit zu verkürzen.