sktime基于时间序列预测 2022-6-2
语言：python
安装方式：pip install sktime
特点：sktime(网址)是一款分析时间序列的开源工具，具有分析时间序列的预测、评估、分类、回归、聚类等功能。
本文仅介绍时间序列预测方面的几个模型的功能。
1、ARIMA (差分整合移动平均自回归模型)
在数据显示非平稳性的情况下，ARIMA模型尤其有效。
2、AutoARIMA(自动差分整合移动平均自回归模型)
auto-ARIMA过程旨在为ARIMA模型确定最优参数
3、BATS(Box-Cox transformation ARMA errors Trend Seasonal components)
适用于预测多个季节周期的时间序列。例如，每日数据可能有每周模式和年度模式。或者每小时数据可以有三个季节周期:每日模式、每周模式和年度模式。
4、Croston
适用于处理间歇时间序列。如果一个时间序列的很多值都是零，并且非零条目之间的间隔不是周期性的，那么这个时间序列就被认为是间歇的。
5、DirRecTabularRegressionForecaster
在预测周期中，每一步的预测结果都会添加到这个周期的下一次的输入中，递归训练下一步的结果。
6、ExponentialSmoothing(Holt-Winters指数平滑预报器)
即statmodels .tsa. holtwters接口
7、NaiveForecaster
一个使用简单策略进行预测的预测模型。三分之二的数据为nan也是可以的。NaiveForecaster也可以用于多变量数据
8、Prophet
是包装Facebook的预测算法：
一种基于可加模型预测时间序列数据的程序，其中非线性趋势与年、周、日的季节性相吻合，再加上节日的影响。它最适用于具有强烈季节性影响的时间序列和几个季节的历史数据。Prophet是稳健的缺失数据和变化的趋势，并通常处理异常值很好。
9、SARIMAX(季节性自回归综合移动平均模型))
10、STLForecaster
使用STL将给定的序列y分解为趋势、季节和残差三个组成部分。然后，将预测趋势、预测季节和预测残差分别拟合在各自的部分，也分别预测它们。最后的预测是三个部分预测的总和。
STL分解是通过使用包statmodels来完成的。
这里只列举了一部分时间序列预测方面的模型。
