Ответ 1
После поиска немного, я не нашел ничего, что кажется действительно перспективным как альтернатива ets для python. Есть несколько попыток: StatsModels и pycast Методы прогнозирования, которые вы можете проверить, соответствуют ли они вашим потребностям.
Один из вариантов, который вы можете использовать для обхода отсутствующей реализации, - запустить R script из python с помощью модуля subprocess. Существует очень хорошая статья о том, как это сделать здесь.
Чтобы сделать это позже:
- Вам нужно создать R script (например,
my_forecast.R), который будет рассчитать (используяets) и распечатать прогнозы в файле или наstdout(с помощью командыcat()), чтобы использовать их после script работает. -
Вы можете запустить R script из python script следующим образом:
import subprocess # You need to define the command that will run the Rscript from the subprocess command = 'Rscript' path2script = 'path/to/my_forecast.R' cmd = [command, path2script] # Option 1: If your script prints to a file subprocess.run(cmd) f = open('path/to/created/file', 'r') (...Do stuff from here...) # Option 2: If your script prints to stdout forecasts = subprocess.check_output(cmd, universal_newlines=True) (...Do stuff from here...)Вы также можете добавить аргументы в свой
cmd, который будет использоваться вашими аргументами командной строки Rscript следующим образом:args = [arg0, arg1, ...] cmd = [command, path2script] + args Then pass cmd to the subprocess
EDIT:
Я нашел примерную серию статей о прогнозировании Холт-Зитер: part1, part2 и part3. Помимо легкого для понимания анализа в этих статьях, Григорий Трубецкой (автор) предоставил код, который он разработал:
Начальная тенденция:
def initial_trend(series, slen):
sum = 0.0
for i in range(slen):
sum += float(series[i+slen] - series[i]) / slen
return sum / slen
# >>> initial_trend(series, 12)
# -0.7847222222222222
Исходные сезонные компоненты:
def initial_seasonal_components(series, slen):
seasonals = {}
season_averages = []
n_seasons = int(len(series)/slen)
# compute season averages
for j in range(n_seasons):
season_averages.append(sum(series[slen*j:slen*j+slen])/float(slen))
# compute initial values
for i in range(slen):
sum_of_vals_over_avg = 0.0
for j in range(n_seasons):
sum_of_vals_over_avg += series[slen*j+i]-season_averages[j]
seasonals[i] = sum_of_vals_over_avg/n_seasons
return seasonals
# >>> initial_seasonal_components(series, 12)
# {0: -7.4305555555555545, 1: -15.097222222222221, 2: -7.263888888888888,
# 3: -5.097222222222222, 4: 3.402777777777778, 5: 8.069444444444445,
# 6: 16.569444444444446, 7: 9.736111111111112, 8: -0.7638888888888887,
# 9: 1.902777777777778, 10: -3.263888888888889, 11: -0.7638888888888887}
Наконец, алгоритм:
def triple_exponential_smoothing(series, slen, alpha, beta, gamma, n_preds):
result = []
seasonals = initial_seasonal_components(series, slen)
for i in range(len(series)+n_preds):
if i == 0: # initial values
smooth = series[0]
trend = initial_trend(series, slen)
result.append(series[0])
continue
if i >= len(series): # we are forecasting
m = i - len(series) + 1
result.append((smooth + m*trend) + seasonals[i%slen])
else:
val = series[i]
last_smooth, smooth = smooth, alpha*(val-seasonals[i%slen]) + (1-alpha)*(smooth+trend)
trend = beta * (smooth-last_smooth) + (1-beta)*trend
seasonals[i%slen] = gamma*(val-smooth) + (1-gamma)*seasonals[i%slen]
result.append(smooth+trend+seasonals[i%slen])
return result
# # forecast 24 points (i.e. two seasons)
# >>> triple_exponential_smoothing(series, 12, 0.716, 0.029, 0.993, 24)
# [30, 20.34449316666667, 28.410051892109554, 30.438122252647577, 39.466817731253066, ...
Вы можете поместить их в файл, например: holtwinters.py внутри папки со следующей структурой:
forecast_folder
|
└── __init__.py
|
└── holtwinters.py
С этого момента это модуль python, который вы можете разместить внутри каждой структуры проекта, которую вы хотите, и использовать его в любом месте внутри этого проекта, просто импортировав его.