简介

Kats 是一个用于分析时间序列数据的工具包，它是一个轻量级、易于使用且具有通用性的框架，可用于执行各种时间序列分析任务。时间序列分析是工业界数据科学和工程工作中的重要组成部分，从理解关键统计信息和特征、检测趋势变化与异常，到预测未来趋势，都离不开这一技术。Kats 的目标是为时间序列分析提供一站式解决方案，涵盖检测、预测、特征提取/嵌入、多变量分析等多个方面。

Kats 由 Facebook 的 基础设施数据科学 团队发布，可在 PyPI 上下载。

重要链接

• 官网：https://facebookresearch.github.io/Kats/
• Kats Python 包：https://pypi.org/project/kats/
• Facebook 工程博客文章：https://engineering.fb.com/2021/06/21/open-source/kats/
• 源代码仓库：https://github.com/facebookresearch/kats
• 贡献指南：https://github.com/facebookresearch/Kats/blob/master/CONTRIBUTING.md
• 教程：https://github.com/facebookresearch/Kats/tree/master/tutorials

Python 安装

Kats 已发布在 PyPI 上，因此可以使用 pip 进行安装。

pip install --upgrade pip
pip install kats

如果您只需要 Kats 的一小部分功能，也可以安装精简版：

MINIMAL_KATS=1 pip install kats

该命令会省略许多依赖项（即 test_requirements.txt 中列出的所有内容）。不过，这样做会禁用许多功能，并可能导致 import kats 时出现警告。有关详细信息和选项，请参阅 setup.py 文件。

示例

以下是 Kats 提供的部分功能示例：

预测

使用 Prophet 模型对 air_passengers 数据集进行预测。

import pandas as pd

from kats.consts import TimeSeriesData
from kats.models.prophet import ProphetModel, ProphetParams

# 以 air_passengers 数据为例
air_passengers_df = pd.read_csv(
    "../kats/data/air_passengers.csv",
    header=0,
    names=["time", "passengers"],
)

# 转换为 TimeSeriesData 对象
air_passengers_ts = TimeSeriesData(air_passengers_df)

# 创建模型参数实例
params = ProphetParams(seasonality_mode='multiplicative') # additive mode 效果较差

# 创建 Prophet 模型实例
m = ProphetModel(air_passengers_ts, params)

# 调用 m.fit() 即可完成模型训练
m.fit()

# 预测未来 30 个月的数据
fcst = m.predict(steps=30, freq="MS")

检测

使用 CUSUM 检测算法对模拟数据集进行异常检测。

# 导入相关库
import numpy as np
import pandas as pd

from kats.consts import TimeSeriesData
from kats.detectors.cusum_detection import CUSUMDetector

# 模拟一段逐渐上升的时间序列
np.random.seed(10)
df_increase = pd.DataFrame(
    {
        'time': pd.date_range('2019-01-01', '2019-03-01'),
        'increase':np.concatenate([np.random.normal(1,0.2,30), np.random.normal(2,0.2,30)]),
    }
)

# 转换为 TimeSeriesData 对象
timeseries = TimeSeriesData(df_increase)

# 运行检测器并找出变化点
change_points = CUSUMDetector(timeseries).detector()

时间序列特征提取

我们可以从给定的时间序列数据中提取有意义的特征。

# 初始化特征提取类
import pandas as pd
from kats.consts import TimeSeriesData
from kats.tsfeatures.tsfeatures import TsFeatures

# 以 air_passengers 数据为例
air_passengers_df = pd.read_csv(
    "../kats/data/air_passengers.csv",
    header=0,
    names=["time", "passengers"],
)

# 转换为 TimeSeriesData 对象
air_passengers_ts = TimeSeriesData(air_passengers_df)

# 计算时间序列特征
features = TsFeatures().transform(air_passengers_ts)

引用 Kats

如果您在工作或研究中使用了 Kats，请使用以下 BibTeX 条目：

@software{Jiang_KATS_2022,
author = {Jiang, Xiaodong and Srivastava, Sudeep and Chatterjee, Sourav and Yu, Yang and Handler, Jeffrey and Zhang, Peiyi and Bopardikar, Rohan and Li, Dawei and Lin, Yanjun and Thakore, Uttam and Brundage, Michael and Holt, Ginger and Komurlu, Caner and Nagalla, Rakshita and Wang, Zhichao and Sun, Hechao and Gao, Peng and Cheung, Wei and Gao, Jun and Wang, Qi and Guerard, Marius and Kazemi, Morteza and Chen, Yulin and Zhou, Chong and Lee, Sean and Laptev, Nikolay and Levendovszky, Tihamér and Taylor, Jake and Qian, Huijun and Zhang, Jian and Shoydokova, Aida and Singh, Trisha and Zhu, Chengjun and Baz, Zeynep and Bergmeir, Christoph and Yu, Di and Koylan, Ahmet and Jiang, Kun and Temiyasathit, Ploy and Yurtbay, Emre},
license = {MIT License},
month = {3},
title = {{Kats}},
url = {https://github.com/facebookresearch/Kats},
version = {0.2.0},
year = {2022}
}

核心算法及相关论文

核心算法

• 自监督学习用于快速且可扩展的时间序列超参数调优

该自监督框架旨在大规模自动优化时间序列预测模型的超参数。该方法能够显著降低调优成本，提升模型在异构数据集上的泛化能力，并支持高效部署于大型生产预测环境。相关研究成果曾受邀在国际预测会议上发表，并被用于自动化模型选择和自适应时间序列学习等领域。

Meta AI 官方帖子：大规模预测：用于超参数调优的自监督学习框架

论文：快速且可扩展的时间序列超参数调优的自监督学习

受邀报告：第 40 届国际预测研讨会。

如果您在工作或研究中使用了此算法，请引用以下 BibTeX 条目：

@article{Zhang_SSL-HPT_2021,
  author = {Zhang, Peiyi and Jiang, Xiaodong and Holt, Ginger M. and Laptev, Nikolay Pavlovich and Komurlu, Caner and Gao, Peng and Yu, Yang},
  title  = {Self-supervised Learning for Fast and Scalable Time Series Hyper-parameter Tuning},
  year   = {2021},
  eprint = {2102.05740},
  archivePrefix = {arXiv},
  primaryClass = {cs.LG},
  url    = {https://arxiv.org/pdf/2102.05740}
}

更改日志

版本 0.2.0

• 预测
  • 新增全局模型，一种基于神经网络的预测模型
  • 新增全局模型教程
  • 整合了回测API，并进行了一些小的错误修复
• 检测
  • 新增异常/变点检测的模型优化器
  • 新增异常/变点检测的评估工具
  • 改进了模拟器，用于生成合成数据并注入异常
  • 新增检测器：ProphetTrendDetector、基于动态时间规整的检测器
  • 支持元学习，为您的数据集推荐异常检测算法和参数
  • 对部分旧版检测器进行了标准化API处理：OutlierDetector、MKDetector
  • 在StatSigDetector中支持季节性去除
• TsFeatures
  • 新增基于时间的特征
• 其他
  • 错误修复、代码覆盖率提升等。

版本 0.1.0

• 初始发布

贡献者

Kats目前由社区维护，主要贡献者及负责人是Nickolai Kniazev和Peter Shaffery。

Kats是一个汇聚了众多优秀研究人员和工程师的项目。该项目由Xiaodong Jiang发起并构建，随后得到了许多才华横溢的个人在不同形式和方式上的重要贡献。以下是一份不完全但不断扩充的名单：Sudeep Srivastava、Sourav Chatterjee、Jeff Handler、Rohan Bopardikar、Dawei Li、Yanjun Lin、Yang Yu、Michael Brundage、Caner Komurlu、Rakshita Nagalla、Zhichao Wang、Hechao Sun、Peng Gao、Wei Cheung、Jun Gao、Qi Wang、Morteza Kazemi、Tihamér Levendovszky、Jian Zhang、Ahmet Koylan、Kun Jiang、Aida Shoydokova、Ploy Temiyasathit、Sean Lee、Nikolay Pavlovich Laptev、Peiyi Zhang、Emre Yurtbay、Daniel Dequech、Rui Yan、William Luo、Marius Guerard、Pietari Pulkkinen、Uttam Thakore、Trisha Singh、Huijun Qian、Chengjun Zhu、Di Yu、Zeynep Erkin Baz以及Christoph Bergmeir。

许可证

Kats采用MIT许可证授权。

Kats 快速上手指南

Kats 是由 Facebook（Meta）基础设施数据科学团队开源的时间序列分析工具包。它轻量、易用且通用，涵盖时间序列的统计特征分析、异常检测、趋势预测、特征提取及多变量分析等功能，是进行时间序列数据处理的一站式解决方案。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows
• Python 版本：推荐 Python 3.7 及以上版本
• 前置依赖：
  • pip (Python 包管理工具)
  • 核心依赖包括 pandas, numpy, scikit-learn, statsmodels, prophet 等（安装时会自动处理）

提示：国内开发者建议使用国内镜像源加速安装过程，例如阿里云或清华大学镜像源。

安装步骤

1. 升级 pip

为了确保安装顺利，建议先升级 pip 工具：

pip install --upgrade pip

2. 安装 Kats

方式一：完整安装（推荐） 安装包含所有功能依赖的完整版本：

pip install kats -i https://pypi.tuna.tsinghua.edu.cn/simple

方式二：最小化安装 如果您只需要部分功能且希望减少依赖包体积，可以安装最小版本（注意：这会禁用部分功能并在导入时产生警告）：

MINIMAL_KATS=1 pip install kats -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

Kats 的核心操作通常遵循“数据加载 -> 转换为 TimeSeriesData 对象 -> 初始化模型/检测器 -> 运行”的流程。以下是三个最核心的应用场景示例。

1. 时间序列预测 (Forecasting)

使用 Prophet 模型对航空乘客数据进行未来趋势预测。

import pandas as pd

from kats.consts import TimeSeriesData
from kats.models.prophet import ProphetModel, ProphetParams

# 加载数据 (假设已有 air_passengers.csv)
air_passengers_df = pd.read_csv(
    "air_passengers.csv",
    header=0,
    names=["time", "passengers"],
)

# 转换为 Kats 专用的 TimeSeriesData 对象
air_passengers_ts = TimeSeriesData(air_passengers_df)

# 创建模型参数实例 (乘法季节性模式通常效果更好)
params = ProphetParams(seasonality_mode='multiplicative')

# 创建并初始化模型
m = ProphetModel(air_passengers_ts, params)

# 拟合模型
m.fit()

# 预测未来 30 个月的数据
fcst = m.predict(steps=30, freq="MS")

print(fcst.head())

2. 异常与变点检测 (Detection)

使用 CUSUM 算法检测模拟数据中的趋势变化点。

import numpy as np
import pandas as pd

from kats.consts import TimeSeriesData
from kats.detectors.cusum_detection import CUSUMDetector

# 模拟包含趋势增加的时间序列数据
np.random.seed(10)
df_increase = pd.DataFrame(
    {
        'time': pd.date_range('2019-01-01', '2019-03-01'),
        'increase':np.concatenate([np.random.normal(1,0.2,30), np.random.normal(2,0.2,30)]),
    }
)

# 转换为 TimeSeriesData 对象
timeseries = TimeSeriesData(df_increase)

# 运行检测器并查找变点
change_points = CUSUMDetector(timeseries).detector()

print(change_points)

3. 特征提取 (TSFeatures)

从时间序列数据中提取有意义的统计特征，用于后续的分析或机器学习任务。

import pandas as pd
from kats.consts import TimeSeriesData
from kats.tsfeatures.tsfeatures import TsFeatures

# 加载数据
air_passengers_df = pd.read_csv(
    "air_passengers.csv",
    header=0,
    names=["time", "passengers"],
)

# 转换为 TimeSeriesData 对象
air_passengers_ts = TimeSeriesData(air_passengers_df)

# 初始化特征提取类并计算特征
features = TsFeatures().transform(air_passengers_ts)

print(features)

更多高级用法和详细教程，请访问 Kats 官方 GitHub Tutorials。