AutoTS

AutoTS

AutoTS 是一个 Python 时间序列软件包，旨在快速大规模部署高精度预测。欢迎在浏览器中试用官方演示应用。

2023 年，AutoTS 在 M6 预测竞赛中获胜，在为期 12 个月的股市预测中，投资决策表现最佳。

有数十种预测模型可按照 sklearn 风格使用 .fit() 和 .predict()。 这些模型包括朴素模型、统计模型、机器学习模型和深度学习模型。 此外，还有 30 多种专为时间序列设计的变换器，可按照 sklearn 风格使用 .fit()、.transform() 和 .inverse_transform()。 所有这些函数都可直接处理 Pandas Dataframe，无需转换为专有对象。

所有模型都支持预测多变量（多个时间序列）输出，也支持概率预测（上限／下限）。 大多数模型可轻松扩展到数万甚至数十万个输入序列。 许多模型还支持传入用户定义的外生回归变量。

这些模型均专为集成到 AutoML 特征搜索中而设计，该搜索通过遗传算法自动为给定数据集寻找最佳模型、预处理方法和集成方案。

水平式和马赛克式集成是主要的集成类型，既能让每个序列使用尽可能准确的模型，又能保持可扩展性。

可用功能还包括多种指标和交叉验证选项、应用子集和权重的功能、回归变量生成工具、模拟预测模式、事件风险预测、实时数据集、模板导入和导出、绘图，以及一系列数据整形参数。

目录

• 安装
• 基本用法
• 速度和大规模数据提示
• 流程图
• 扩展教程：GitHub 或 文档
• 生产示例

安装

pip install autots

其中包含基础模型所需的依赖项，但部分模型和方法需要其他软件包。

请注意，其他一些项目也使用了相似的名称，请确认您使用的是正确的 AutoTS 代码、论文和文档。

基本用法

AutoTS 的输入数据应采用长格式或宽格式：

• 宽格式是一个 pandas.DataFrame，具有 pandas.DatetimeIndex，且每列代表一个不同的序列。
• 长格式包含三列：
  • 日期（最好已采用 pandas 可识别的 datetime 格式）
  • 序列 ID。对于单个时间序列，series_id 可以是 = None。
  • 值
• 对于长格式数据，需要将这些列的列名作为 date_col、id_col 和 value_col 传递给 .fit()。宽格式无需任何参数。

底层函数仅适用于 wide 格式的数据。

# also load: _hourly, _monthly, _weekly, _yearly, or _live_daily
from autots import AutoTS, load_daily

# sample datasets can be used in either of the long or wide import shapes
long = False
df = load_daily(long=long)

model = AutoTS(
    forecast_length=21,
    frequency="infer",
    prediction_interval=0.9,
    ensemble=None,
    model_list="superfast",  # "fast", "default", "fast_parallel"
    transformer_list="fast",  # "superfast",
    drop_most_recent=1,
    max_generations=4,
    num_validations=2,
    validation_method="backwards"
)
model = model.fit(
    df,
    date_col='datetime' if long else None,
    value_col='value' if long else None,
    id_col='series_id' if long else None,
)

prediction = model.predict()
# plot a sample
prediction.plot(model.df_wide_numeric,
                series=model.df_wide_numeric.columns[0],
                start_date="2019-01-01")
# Print the details of the best model
print(model)

# point forecasts dataframe
forecasts_df = prediction.forecast
# upper and lower forecasts
forecasts_up, forecasts_low = prediction.upper_forecast, prediction.lower_forecast

# accuracy of all tried model results
model_results = model.results()
# and aggregated from cross validation
validation_results = model.results("validation")

底层 API，尤其是大量采用 scikit-learn 风格的时间序列变换器，也可以脱离 AutoML 框架独立使用。

如需了解功能的详细指南，请参阅extended_tutorial.md。

也请参阅production_example.py

提升速度与处理大型数据的技巧：

• 使用合适的模型列表，尤其是预定义列表：
  • superfast（简单的朴素模型）和 fast（更复杂但速度仍较快、针对多条序列优化的模型）
  • 在 CPU 核心较多时，使用 fast_parallel（fast 与 parallel 的组合）或 parallel
    • n_jobs 通常设为 ='auto' 就能获得相当不错的效果，但请根据环境进行调整
  • 存在大量序列时，scalable 是最适合避免崩溃的列表。另有 transformer_list = 'scalable'
  • 使用 from autots.models.model_list import model_lists 查看预定义列表的字典（其中一些列表仅供内部使用）
• 当存在许多相似序列时，使用 subset 参数；对于数万条相似序列，subset=100 通常就能很好地泛化。
  • 如果使用 subset，为序列传入 weights 会使子集选择倾向于优先级较高的序列。
  • 如果受 RAM 限制，可以先导入一个预训练模板作为所有实例的起点，再在不同数据批次上运行多个 AutoTS 实例，以分摊处理任务。
• 设置 model_interrupt=True，在按下 Ctrl+C 时仅跳过当前模型。在 1.5 秒内再次按下 Ctrl+C 可结束整个运行过程；也可以传入类似 model_interrupt={"mode": "skip", "double_press_window": 1.2} 的参数来缩短或延长此时间窗口。
• 使用 .fit() 的 result_file 方法，它会在每一代后保存进度；长时间训练时，这有助于保存进度。使用 import_results 恢复结果。
• Transformations 的速度相当快，但将 transformer_max_depth 设为较低的值（例如 2）可以提升速度。此外，也可以使用 transformer_list == 'fast' 或 'superfast'。
• 查看这个示例，了解如何将 AutoTS 与 pandas UDF 搭配使用。
• 集成模型的预测速度显然较慢，因为它们会运行多个模型；'distance' 模型的速度慢 2 倍，'simple' 模型的速度慢 3 到 5 倍。
  • 如果 CPU 核心较多，ensemble='horizontal-max' 搭配 model_list='no_shared_fast' 可以较好地扩展，因为每个模型只会在其所需的序列上运行。
• 减少 num_validations 和 models_to_validate 会缩短运行时间，但可能导致模型选择效果变差。
• 对于记录数量较多的数据集，如果合适，可以通过升采样（例如，将每日频率的预测改为每月频率）来缩短训练时间。
  • 可以通过调整 frequency 和 aggfunc 来实现，但最好在将数据传入 AutoTS 之前完成。
• 如果 NaN 值已填充，运行速度会更快。如果不需要搜索最佳 NaN 填充方法，请在将数据传入类之前，使用合适的方法填充所有 NaN 值。
• 在 metric_weighting 中将 runtime_weighting 设为较高值。这会引导搜索过程偏向速度更快的模型，但可能会牺牲准确性。
• 内存不足是导致进程或内核随机崩溃的最常见原因。如果遇到问题，请尝试测试数据子集并使用其他模型列表。如果发现崩溃与特定的一组模型参数有关（不是 AutoTS 参数，而是底层预测模型的参数），也请报告。此外，底层 linpack/blas 等配置会显著影响崩溃情况，因此不同环境之间出现差异是正常的。

MCP 服务

请参阅 ./autots/mcp 中的 README.md。请注意，若要安装完整依赖项，请使用 pip install autots[mcp]，或使用等效命令 pip install autots-mcp。

{
  "mcpServers": {
    "autots": {
      "command": "autots-mcp"
    }
  }
}

mcp-name: io.github.winedarksea/AutoTS

如何贡献：

• 反馈文档中令人困惑之处
• 使用 AutoTS 并……
  • 在 GitHub 上提交 Issues，报告错误并请求新功能
  • 发布适用于你的数据的顶级模型模板（以帮助改进初始模板）
  • 欢迎为你喜爱的模型推荐不同的搜索网格参数
• 当然，也可以直接在 GitHub 上为代码库做贡献。

AutoTS 流程

flowchart TD
    A[Initiate AutoTS Model] --> B[Import Template]
    B --> C[Load Data]
    C --> D[Split Data Into Initial Train/Test Holdout]
    D --> E[Run Initial Template Models]
    E --> F[Evaluate Accuracy Metrics on Results]
    F --> G[Generate Score from Accuracy Metrics]
    G --> H{Max Generations Reached or Timeout?}

    H -->|No| I[Evaluate All Previous Templates]
    I --> J[Genetic Algorithm Combines Best Results and New Random Parameters into New Template]
    J --> K[Run New Template Models and Evaluate]
    K --> G

    H -->|Yes| L[Select Best Models by Score for Validation Template]
    L --> M[Run Validation Template on Additional Holdouts]
    M --> N[Evaluate and Score Validation Results]
    N --> O{Create Ensembles?}
    
    O -->|Yes| P[Generate Ensembles from Validation Results]
    P --> Q[Run Ensembles Through Validation]
    Q --> N

    O -->|No| R[Export Best Models Template]
    R --> S[Select Single Best Model]
    S --> T[Generate Future Time Forecast]
    T --> U[Visualize Results]

    R --> B[Import Best Models Template]

引用

如果您希望在学术著作中引用 AutoTS，可以使用以下论文。

Colin Catlin， 《动态市场中的自适应预测：在 M6 竞赛中评估 AutoTS》， 《国际预测学期刊》， 第 41 卷，第 4 期，2025 年，第 1485-1493 页，ISSN 0169-2070， https://doi.org/10.1016/j.ijforecast.2025.08.004。

也称为 Project CATS（Catlin's Automated Time Series），因此有了这个徽标。