StatsForecast 是 Nixtla 维护的 Python 库,汇集 AutoARIMA、AutoETS、CES、Theta 等单变量统计预测模型,面向大规模时间序列的批量拟合与基准比较。
这个工具是什么
StatsForecast 是 Nixtla 开发并开源的 Python 时间序列预测库,采用 Apache-2.0 许可证,源码托管在 GitHub。其定位是提供常用单变量统计与经济计量预测模型的高性能实现,包括自动 ARIMA、ETS、CES、Theta 以及 MSTL 等,并附带一批基准(benchmarking)模型。README 指出,现有 Python 统计模型方案存在速度慢、精度不足、扩展性差的问题,因此该库面向生产环境预测与基准评测两类场景设计,可高效拟合大量时间序列。接口沿用 sklearn 风格的 .fit 与 .predict,降低迁移成本。
核心能力
- 提供 AutoARIMA、AutoETS、AutoCES、MSTL、Theta 等模型的实现,覆盖常见统计预测方法
- 支持概率预测与置信区间,可输出预测的不确定性范围
- 支持外生变量与静态协变量,ARIMA 可纳入外生变量并给出预测区间
- 与 Spark、Dask、Ray 开箱兼容,便于扩展到大规模序列计算
科研中的典型用法
- 对大量单变量序列批量拟合 AutoARIMA 或 AutoETS,得到点预测与区间预测
- 作为基准模型组,与 Prophet、statsmodels 等方法在同一数据上比较预测表现
- 借助 Ray 等后端在分布式环境中对海量序列并行训练与预测
快速上手
通过 pip install statsforecast 或 conda install -c conda-forge statsforecast 安装。入门可从 StatsForecast 类开始:指定模型列表(如 AutoARIMA(season_length=12))与频率 freq,调用 fit 拟合数据,再用 predict(h=12, level=[95]) 得到预测与区间。README 提供最小示例、快速指南与端到端 walkthrough,建议按后者了解最佳实践。
生态与相近工具
同领域可对比 pmdarima、statsmodels、Prophet 以及 R 的 forecast 等方案;README 给出与这些工具的速度对比实验,并说明可用两行代码替换 FB-Prophet。若需要神经网络预测模型,可关注同属 Nixtla 体系的 NeuralForecast;若侧重概率预测与层次预测,可结合 Nixtla 其他库评估。选择时建议按模型覆盖、扩展方式与部署环境权衡。
项目信息
- 仓库:Nixtla/statsforecast
- 星标:4,910 · 派生:393
- 主要语言:Python
- 许可证:Apache-2.0
- 最近提交:2026-09-18
- 项目主页:https://nixtlaverse.nixtla.io/statsforecast
本文属于《学科研究工具知识库 · 数学》第 11 篇(按 GitHub 星标排序)。收录标准:该学科公开可获取的开源研究工具,星标与活跃度为主要参考,不代表对其性能或适用性的背书;选型前请结合自身场景评估。

发表评论 取消回复