Kats: un conjunto de herramientas para analizar datos de series temporales y predecir tendencias futuras en los datos

Introducción general

Kats es un conjunto de herramientas de código abierto desarrollado por un equipo de investigadores de Meta (antes Facebook) y diseñado para el análisis de series temporales. Kats proporciona un marco ligero y fácil de usar que cubre funcionalidades que van desde el análisis estadístico básico hasta sofisticados modelos predictivos, detección de anomalías y extracción de características. Tanto si es un científico de datos como un ingeniero, Kats puede ayudarle a procesar y comprender los datos de series temporales de forma más eficaz. No sólo es compatible con una amplia gama de modelos, sino que también proporciona ricos tutoriales y ejemplos para ayudar a los usuarios a empezar rápidamente.

Lista de funciones

• Análisis de datos de series temporales: Proporcionar la comprensión y el análisis de las características estadísticas básicas.
• Detección del punto de cambio: Identifica puntos de cambio en datos de series temporales.
• detección de anomalías: Detección de valores atípicos en datos de series temporales.
• Previsiones de tendencias: Uso de múltiples modelos para predecir tendencias futuras.
• Extracción e incrustación de característicasExtraer características útiles de datos de series temporales.
• análisis multivariante: Soporte para el análisis de datos de series temporales multivariantes.

Utilizar la ayuda

Proceso de instalación

Kats se puede instalar a través de PyPI, aquí están los pasos detallados de instalación:

1. Actualizar pip:

   pip install --upgrade pip

2. Instala Kats:

   pip install kats

3. Si sólo necesitas algunas de las funciones de Kats, puedes instalar la versión lite:

   MINIMAL_KATS=1 pip install kats

Normas de uso

Análisis de datos de series temporales

1. Importe las bibliotecas y los datos necesarios:

   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. Crear y entrenar modelos predictivos:

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

3. Haz predicciones:

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

Detección del punto de cambio

1. Introducción de algoritmos de detección de puntos de cambio:

   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()

detección de anomalías

1. Importar algoritmos de detección de anomalías:

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

Recomendaciones de uso

• Preprocesamiento de datos: Asegúrese de que sus datos de series temporales están limpios y trate los valores que faltan o los valores atípicos para mejorar la precisión de sus análisis.
• Selección del modelo: elige el modelo adecuado en función de las características de tus datos. kats proporciona varios modelos y puedes encontrar el más adecuado experimentando.
• Visualización: utilice las funciones de visualización integradas en Kats para comprender los patrones de datos y el rendimiento de los modelos, lo que resulta muy útil a la hora de analizar e informar sobre los resultados.
• Evaluación del rendimiento: evaluar el rendimiento de diferentes modelos y seleccionar los mejores hiperparámetros antes de aplicar el modelo.

Tratamiento de problemas comunes

• Problemas de instalación: Si encuentras conflictos de dependencias durante la instalación, prueba a instalar en un entorno virtual o consulta las preguntas frecuentes en la página oficial de GitHub de Kats.
• Problemas de formato de datos: Si su formato de datos es diferente del que espera Kats, puede producirse un error. Asegúrate de que los nombres de las columnas de datos son correctos y de que los tipos de datos son los requeridos.
• Cuestiones de rendimiento: para conjuntos de datos a gran escala, considere el muestreo de datos o utilice modelos más eficientes para reducir el tiempo de cálculo.