skforecast-ai

软件包
Agent
元信息
测试
社区

关于 skforecast-ai

会展示工作过程的预测助手。 为 skforecast-ai 提供一个时间序列：它会分析数据特征，依据确定性规则选择模型，对其进行验证，并返回预测结果以及生成该结果的 skforecast 脚本。每项决策都源自一条可供你查阅的规则；相同的数据始终会得到相同的结果，而脚本无需依赖其他工具，只用纯 skforecast 即可独立运行。你还可以选择让大模型解释每项决策，但它不会做出这些决策。

_{对每小时共享单车用户数进行的 36 小时 LightGBM 预测，展示其相对于留出时段的 80% 预测区间，以及解释各项指标的 ask() 答案。这些是真实的 skforecast-ai 输出，来自 ai.skforecast.org 上的动画。}

安装

pip install skforecast-ai

LLM 层是可选的。若要使用，请安装额外组件（AWS Bedrock 对应 [bedrock]）：

pip install "skforecast-ai[llm]"

需要 Python 3.10 或更高版本。更多选项请参阅安装指南；若要从源代码安装，请参阅贡献指南。

快速示例

无需安装任何内容即可试用：你的第一个预测可在 Google Colab 中运行，从数据到经过验证的预测，全程无需 API 密钥。

from skforecast_ai import ForecastingAssistant
from skforecast.datasets import load_demo_dataset

# Download demo dataset (monthly)
data = load_demo_dataset(verbose=False)

# Profile the data, plan the model, generate the script and run it,
# evaluated on the last 12 months. No LLM needed.
assistant = ForecastingAssistant()
result = assistant.forecast(data=data, target="y", steps=12, test_size=12)

result.predictions.head()
#                 pred
# 2007-07-01  0.851486
# 2007-08-01  1.048000
# 2007-09-01  0.998147
# 2007-10-01  1.147577
# 2007-11-01  1.110845

result.metrics
#   series       MAE       MSE      MASE      MAPE
# 0      y  0.078442  0.008933  0.802828  0.088608

print(result.code)  # the skforecast script that produced this result

这一次调用选择了一个使用 Ridge 估计器的 ForecasterRecursive，并配置其滞后项和窗口特征，然后运行了 result.code 返回的脚本。result.profile 和 result.plan 包含每项决策及其背后的规则。将 test_size 调低，即可使用全部数据进行训练，并预测接下来的 12 个月。

# End-to-end forecast
skforecast-ai forecast data.csv --target y --date-column date --steps 12

# Only the standalone script, without running it
skforecast-ai forecast-code data.csv --target y --date-column date --steps 12 --output forecast.py

# pip install "skforecast-ai[llm]"
assistant = ForecastingAssistant(llm="openai:gpt-5.5")

answer = assistant.ask(
    "Is the MASE good, and why was this estimator chosen?",
    context=result,
)

/plugin marketplace add skforecast/skforecast-ai
/plugin install skforecast-ai@skforecast-ai

功能

确定性引擎

• 数据分析：频率、缺失值、外生变量和类别变量，以及根据偏自相关得出的显著滞后项。
• 每项决策都有规则的计划：预测器和估计器、滞后项、窗口和日历特征、预测区间、指标和交叉验证。
• 你看到的代码就是实际运行的代码：forecast() 和 backtest() 执行的脚本与 forecast_code() 和 backtest_code() 返回的脚本相同。你可以检查脚本、对其进行版本管理，或使用纯 skforecast 运行。
• 使用 compare() 进行**模型选择**：每个候选模型都使用相同的数据和交叉验证进行回测，排名则是按指标直接排序。对于单个序列，季节性朴素基线也会一同参与排名，因此你还可以看到模型是否优于最简单且合理的预测方法。
• 可复现：相同的输入始终会得到相同的分析结果、计划、脚本和预测。
• Python 或终端：CLI 可从 CSV 文件或 URL 运行同一条流水线。
• 编码 Agent：MCP 服务 将同一条流水线作为工具提供给 Claude Code、Cursor 和其他 MCP 客户端，并附带一个指导它们如何使用的技能。响应中绝不会包含数据行。

该引擎会从 skforecast 的预测器中进行选择：递归式和直接式、多序列和多变量、统计模型（ARIMA）以及基础模型。

可选的 LLM 层

• 使用 ask() 以通俗语言解释预测、回测、比较、计划或脚本，也可以回答一般的预测问题。
• 根据你的领域知识，通过 refine_plan(prompt=...)优化滞后项和窗口特征。
• 将部署场景转换为回测策略：create_cv(prompt=...)。
• 运行前进行验证：每个 LLM 输出都会通过 Pydantic 模型检查；如果输出无效，你会得到确定性结果和警告。
• 通过 pydantic-ai 使用任意提供方：OpenAI、Anthropic、Google、Groq、AWS Bedrock、用于本地模型的 Ollama，或任何兼容 OpenAI 的端点。

方法

除 ask() 外，所有方法都可以在不使用 LLM 的情况下运行。提示词始终是显式的：除非你提出请求，否则不会向 LLM 发送任何内容。

工作原理

skforecast-ai 提供两种入口，共用同一套引擎。快速路径通过一次调用，从数据直接生成预测或回测。逐步路径会返回每个中间对象（分析结果、计划、交叉验证），方便你在运行任何操作前检查、修改，或借助大模型进行优化。两条路径都可分支到预测和回测；compare() 会根据实测性能选出最佳配置，而 ask() 可随时解释任何对象。

更多信息请参阅智能体预测和逐步进行智能体预测。

文档

完整文档请访问 **https://ai.skforecast.org**。

skforecast 系列项目

• skforecast：支撑 skforecast-ai 所有预测的预测库。提供机器学习、统计和基础模型、回测和调参功能。
• Skforecast Studio：一款可视化构建预测模型的无代码应用，可生成可直接用于生产环境的 Python 代码。

贡献

欢迎提交 Bug 报告、功能请求、代码、测试和文档。请在 GitHub Issues 上提出问题，或阅读贡献指南和行为准则，了解如何开始。

skforecast-ai 由 Joaquín Amat Rodrigo 和 Javier Escobar Ortiz 创建并维护，并与所有为其作出贡献的人共同打造（关于此项目）。

引用

如果你在科学出版物中使用 skforecast-ai，请引用你使用的版本：每个版本都有自己的 DOI，并可在 Zenodo 上获取现成的引用格式。若要引用 skforecast-ai 项目本身，请使用始终指向最新版本的 DOI。

APA：

Amat Rodrigo, J., & Escobar Ortiz, J. skforecast-ai [Computer software]. https://doi.org/10.5281/zenodo.21338159

BibTeX：

@software{skforecast-ai,
  author  = {Amat Rodrigo, Joaquin and Escobar Ortiz, Javier},
  title   = {skforecast-ai},
  license = {Apache-2.0},
  url     = {https://ai.skforecast.org/},
  doi     = {10.5281/zenodo.21338159}
}

引用元数据也包含在 CITATION.cff 中（GitHub 的“引用此仓库”按钮）。

赞助与资金支持

skforecast-ai 由 skforecast 团队打造。skforecast 是免费开源软件，获得了 Sovereign Tech Fund 以及赞助组织的支持。如果你的公司依赖 skforecast 或 skforecast-ai，请参阅**赞助与资金支持**，了解赞助级别、支持协议、功能赞助和培训。

个人可以通过 Open Collective、Buy Me a Coffee、GitHub Sponsors（Joaquín Amat Rodrigo、Javier Escobar Ortiz）或 PayPal 支持此项目。

许可证

skforecast-ai 软件：Apache License 2.0。底层的 skforecast 引擎根据其自身的 BSD-3-Clause License 发布。

skforecast-ai 文档：CC BY-NC-SA 4.0

商标：skforecast 商标已在欧盟知识产权局（EUIPO）注册，申请编号为 019109684。未经所有者明确同意，严禁擅自使用该商标、其徽标或任何相关视觉标识元素。