[논문 리뷰] Darts: User-Friendly Modern Machine Learning for Time Series

Julia Herzen, Francesco Lässig외 17명|arXiv (Cornell University)|2021. 10. 07.

Forecasting Techniques and Applications참고 문헌 16인용 수 57

한 줄 요약

Darts는 공통의 fit/predict API 아래에서 고전적 모델과 ML 기반 시계열 예측을 하나로 통합하는 사용자 친화적인 Python 라이브러리를 제공하며, 다중 시계열 학습, 공변량, 확률적 예측 및 앙상블 방법을 지원합니다.

ABSTRACT

We present Darts, a Python machine learning library for time series, with a focus on forecasting. Darts offers a variety of models, from classics such as ARIMA to state-of-the-art deep neural networks. The emphasis of the library is on offering modern machine learning functionalities, such as supporting multidimensional series, meta-learning on multiple series, training on large datasets, incorporating external data, ensembling models, and providing a rich support for probabilistic forecasting. At the same time, great care goes into the API design to make it user-friendly and easy to use. For instance, all models can be used using fit()/predict(), similar to scikit-learn.

연구 동기 및 목표

• 현대 ML 기반 시계열 예측을 민주화하기 위해 고전적 접근과 ML 접근을 하나의 쉽고 사용하기 쉬운 API 아래에 통합합니다.
• 다양한 시계열 모음에 대한 학습과 고차원 데이터의 처리를 가능하게 합니다.
• 예측 품질을 높이기 위해 past 및 future의 공변량을 활용한 확률적 예측을 지원합니다.
• 실무자 지원을 위한 백테스팅, 하이퍼파라미터 탐색, 앙상블 모델링 도구를 제공합니다.

제안 방법

• 변환불가능하고 잘 형성된 모양과 시간 인덱스를 보장하는 TimeSeries 컨테이너를 도입합니다.
• 다양한 모델에 적용 가능한 fit(series) 및 predict(n)로 구성된 통합 고수준 API를 제공합니다.
• 대형 데이터 세트에 대해 느린 로딩(lazy loading)과 다수의 시계열 학습을 지원합니다.
• 예측 조건화에 필요한 past와 future 공변량을 허용합니다.
• Monte Carlo 샘플을 TimeSeries에 저장하고 여러 분포를 지원하여 확률적 예측을 제공합니다.
• 일반화된 API 하에서 사용할 수 있는 ARIMA, Exponential Smoothing, Theta, Prophet, FFT 기반 모델, RNN(예: DeepAR), N-BEATS, TCN, TFT 및 회귀 래퍼를 포함한 다양한 모델을 포함합니다.
• 데이터 전처리 파이프라인, 백테스팅, 하이퍼파라미터 탐색, 동적 DTW, 앙상블 모델링, 칼만 필터, 가우시안 프로세스, 데이터셋 모듈과 같은 추가 기능을 포함합니다.

실험 결과

연구 질문

• RQ1 하나의 통합 API가 고전적 모델과 ML 기반 시계열 모델을 효과적으로 지원할 수 있는가?
• RQ2 대규모 시계열 모음에서 모델을 학습하고 개별 시계열에 대해 여전히 정확한 예측을 수행할 수 있는가?
• RQ3 공변량(past 및 future)을 포함하는 것이 예측 정확도에 어떤 영향을 미치는가?
• RQ4 다차원 시계열에 대해 비모수적이고 유연한 방식으로 확률적 예측을 구현할 수 있는가?
• RQ5 사용자 친화적 API가 ML 기반 예측의 채택을 촉진하는 데 어떤 이점과 한계를 가지는가?

주요 결과

• Darts는 다양한 모델에 대해 일관된 fit/predict 인터페이스로 학습 및 예측을 가능하게 합니다.
• 다중 시계열 및 대용량 데이터 세트에 대해 느린 데이터 로딩 및 시퀀스 슬라이싱 유틸리티를 통해 학습을 지원합니다.
• 라이브러리는 Monte Carlo 샘플을 저장하고 17개의 분포를 기본적으로 지원함으로써 확률적 예측을 제공합니다.
• past와 future 공변량의 차이를 구분하고 슬라이싱 중 정렬을 자동으로 처리합니다.
• 일반화된 API 아래에서 ARIMA, Exponential Smoothing, Theta, Prophet, FFT, RNN, N-BEATS, TCN, TFT를 포함한 광범위한 모델을 사용할 수 있습니다.
• 백테스팅, 하이퍼파라미터 탐색, 파이프라인, 전처리 및 앙상블 모델링과 같은 추가 도구를 포함합니다.