---

前言

HyperTS是一个开源的时间序列分析库，主要用于处理和分析时间序列数据。

一、HyperTS介绍

HyperTS是一个开源的时间序列分析库，是 DataCanvas Automatic Toolkits(DAT) 针对于 时间序列 任务推出了一款涵盖 自动机器学习(AutoML) 与 自动深度学习(AutoDL) 的全Pipeline学习工具。主要用于处理和分析时间序列数据。它提供了一系列功能强大的工具和算法，它涵盖了数据清洗、数据预处理、特征工程、模型选择、超参数优化、模型评估、预测可视化等一系列自动化的操作, 轻松几行代码便可以完全 端到端 地处理多种场景下的时间序列任务。

以下是关于HyperTS的一些详细介绍：

• HyperTS支持常见的时间序列分析任务，如平滑、滞后、差分等。它提供了一系列的函数和方法，可以方便地对时间序列数据进行处理和转换。例如，你可以使用smooth函数对时间序列进行平滑处理，使用lag函数对时间序列进行滞后处理。
• HyperTS提供了多种特征提取方法，用于从时间序列中提取有用的特征。这些特征可以用于构建机器学习模型和预测任务。例如，你可以使用autocorrelation函数计算自相关系数，使用fft函数进行快速傅里叶变换，以及使用wavelet函数进行小波变换。
• HyperTS支持多种常见的时间序列模型，如ARIMA、GARCH、VAR等。这些模型可以用于时间序列的建模和预测。例如，你可以使用arima函数建立ARIMA模型，使用garch函数建立GARCH模型，以及使用var函数建立VAR模型。
• HyperTS还提供了一些评估指标和可视化工具，用于评估模型的性能和结果的可视化。例如，你可以使用mse函数计算均方误差，使用plot函数绘制时间序列的图表。

总的来说，HyperTS是一个功能强大的时间序列分析库，可以帮助你处理和分析时间序列数据。你可以使用它进行时间序列的预处理、特征提取、模型建立和预测等任务。

HyperTS的功能特性清单如下：

二、HyperTS安装、使用

2-1、安装

安装：

pip install prophet
pip install hyperts

可能会发生的是Numpy版本的一个兼容问题，更新Numpy：

pip install --upgrade numpy

**其他:可选择安装tensorflow **：

# 如果使用到深度学习时，需要安装
pip install tensorflow

2-2、HyperTS使用

主要是通过make_experiment函数来训练一个模型：

• Time Series Task：确定时间序列任务是什么，输入规范后的数据，确定相对应的模型。
• make_experiment： 通过make_experiment函数的训练，run之后最终得到了一个训练好的模型。
• predict、evaluate： 使用训练好的模型，去做预测任务、评估模型性能以及作图等。

三、案例

3-0、通用工作流程

通用工作流程：

• 导入所需要的库
• 加载数据集
• 使用train_test_split来分割训练集和验证集。
• 使用make_experiment函数来创建实验，确定任务、数据、模型，进行训练，run之后得到训练后的模型。
• 评估模型。

其他注意事项：

• 对于划分训练集和测试集，由于数据存在时间上的先后顺序，因此为了防止信息的泄露，我们设置shuffle=False，即不打乱数据集。

3-1、时间序列预测

时间序列预测： 在时间序列任务中，我们除了按照惯例的流程外，我们还需要向make_experiment中传入参数timestamp，即指定时间戳。如果存在协同变量，我们也需要指定协同变量covariates。

from hyperts import make_experiment
from hyperts.datasets import load_network_trafficfrom sklearn.model_selection import train_test_splitdata = load_network_traffic()
train_data, test_data = train_test_split(data, test_size=0.2, shuffle=False)model = make_experiment(train_data.copy(),task='multivariate-forecast',mode='stats',timestamp='TimeStamp',covariates=['HourSin', 'WeekCos', 'CBWD']).run()X_test, y_test = model.split_X_y(test_data.copy())
# 使用predict方法来执行结果的预测。
y_pred = model.predict(X_test)scores = model.evaluate(y_test, y_pred)model.plot(forecast=y_pred, actual=test_data)

输出：

3-2、时间序列分类

from hyperts import make_experiment
from hyperts.datasets import load_basic_motionsfrom sklearn.metrics import f1_score
from sklearn.model_selection import train_test_splitdata = load_basic_motions()
train_data, test_data = train_test_split(data, test_size=0.2)model = make_experiment(train_data.copy(),task='classification',mode='dl',tf_gpu_usage_strategy=1,reward_metric='accuracy',max_trials=30,early_stopping_rounds=10).run()X_test, y_test = model.split_X_y(test_data.copy())y_pred = model.predict(X_test)
y_proba = model.predict_proba(X_test)scores = model.evaluate(y_test, y_pred, y_proba=y_proba, metrics=['accuracy', 'auc', f1_score])print(scores)

输出：

3-3、时间序列异常检测

from hyperts import make_experiment
from hyperts.datasets import load_real_known_cause_datasetfrom sklearn.model_selection import train_test_splitdata = load_real_known_cause_dataset()
ground_truth = data.pop('anomaly')detection_length = 15000
train_data, test_data = train_test_split(data, test_size=detection_length, shuffle=False)model = make_experiment(train_data.copy(),task='detection',mode='stats',reward_metric='f1',max_trials=30,timestamp='timestamp',early_stopping_rounds=10).run()X_test, _ = model.split_X_y(test_data.copy())
y_test = ground_truth.iloc[-detection_length:]y_pred = model.predict(X_test)
y_proba = model.predict_proba(X_test)scores = model.evaluate(y_test, y_pred, y_proba=y_proba)model.plot(y_pred, actual=test_data, history=train_data, interactive=False)

输出：

四、高级应用

4-1、模型的保存和加载

模型的保存：

model.save(model_file="./xxx/xxx/models")# 或者是
from hyperts.utils.models import load_modelpipeline_model = load_model(model_file="./xxx/xxx/models/dl_models")

模型的加载：

from hyperts.utils.models import load_modelpipeline_model = load_model(model_file="./xxx/xxx/models/dl_models")

参考文章：
HyperTS官方文档.
github.

---

总结

明天是端午节啦~ 想她🥹