nixtla

Par mkurman · zorai

Écosystème Nixtla — statsforecast (statistique), neuralforecast (apprentissage profond), hierarchicalforecast et MLForecast. Prévision de séries temporelles en production avec AutoARIMA, ETS, Theta, Transformers et le blending d'ensembles.

npx skills add https://github.com/mkurman/zorai --skill nixtla

Aperçu

Nixtla fournit des prévisions de séries chronologiques avec plusieurs backends — StatsForecast (statistique), NeuralForecast (deep learning) et HierarchicalForecast (réconciliation hiérarchique). Couvre ARIMA, ETS, Prophet, Theta, N-BEATS, DeepAR, Temporal Fusion Transformer et bien d'autres.

Installation

uv pip install nixtla

Prévisions statistiques (StatsForecast)

from statsforecast import StatsForecast
from statsforecast.models import AutoARIMA, ETS, Theta

models = [AutoARIMA(season_length=12), ETS(season_length=12), Theta(season_length=12)]
sf = StatsForecast(models=models, freq="M")

# df needs ds (date), y (value), unique_id columns
forecasts = sf.forecast(df, h=12)
print(forecasts)

Deep Learning (NeuralForecast)

from neuralforecast import NeuralForecast
from neuralforecast.models import NBEATS, NHITS

nf = NeuralForecast(models=[NBEATS(input_size=24, h=12), NHITS(input_size=24, h=12)])
nf.fit(df)
forecasts = nf.predict()

Réconciliation hiérarchique

from hierarchicalforecast import HierarchicalForecast
from hierarchicalforecast.methods import BottomUp, TopDown

hf = HierarchicalForecast(models=forecasts, reconcilers=[BottomUp(), TopDown()])
hf.reconcile(S_hierarchy)