skforecast

skforecast ist eine Open-Source-Python-Bibliothek für Zeitreihenprognosen mit Machine-Learning-Modellen. Sie ist so konzipiert, dass sie mit jedem scikit-learn-kompatiblen Estimator zusammenarbeitet, darunter bekannte Bibliotheken wie LightGBM, XGBoost, CatBoost, Keras und viele weitere.

Die Bibliothek schlägt eine Brücke zwischen klassischen Machine-Learning-Workflows und Zeitreihenanalyse und ermöglicht flexible, skalierbare und produktionsreife Forecasting-Pipelines.

Zielsetzung

Der Einsatz von Machine-Learning-Modellen für Zeitreihen bringt zusätzliche Herausforderungen bei Datenaufbereitung, Feature Engineering, Validierung und Evaluation mit sich. skforecast adressiert diese Komplexität durch ein einheitliches Framework, das Standard-Estimatoren aus scikit-learn für Forecasting-Aufgaben nutzbar macht.

Ziel ist es, Machine-Learning-basiertes Forecasting zugänglich, zuverlässig und skalierbar zu gestalten – vom schnellen Prototyp bis zum produktiven Einsatz.

Zentrale Merkmale

Kompatibel mit allen scikit-learn-Estimatoren
Unterstützung für Einzel- und Mehrfachzeitreihen
Flexible rekursive und direkte Forecasting-Strategien
Integriertes Feature Engineering und Fenster-basierte Prädiktoren
Werkzeuge für Hyperparameter-Tuning und Modellauswahl
Produktionsreife Backtesting- und Validierungsverfahren
Starker Fokus auf Interpretierbarkeit und realistische Evaluation

Forecaster-Abstraktion

Einheitliche Forecaster-Schnittstelle

Im Zentrum von skforecast steht die Forecaster-Abstraktion, die folgende Aspekte kapselt:

Modelltraining
Feature-Erzeugung
Prognoselogik
Validierung und Evaluation

Unabhängig von Strategie oder Modelltyp nutzen alle Forecaster dieselbe API.

Forecasting-Strategien

skforecast unterstützt verschiedene Forecasting-Ansätze, darunter:

Rekursives Forecasting
Direktes Forecasting
Multi-Series-Forecasting
Multivariate Forecasting
Probabilistische Prognosen

So lässt sich für jeden Anwendungsfall die passende Strategie wählen.

Feature Engineering und exogene Variablen

Fensterbasierte Features

skforecast bietet native Unterstützung für:

Lag-Features
Rolling-Statistiken
Benutzerdefinierte Fenster-Prädiktoren

Exogene Features

Externe Einflussgrößen lassen sich nahtlos in die Modelle integrieren, um realistischere und erklärbarere Prognosen zu ermöglichen.

Modellbewertung und Validierung

Backtesting und Evaluation

Die Bibliothek stellt Werkzeuge bereit für:

Zeitlich konsistentes Backtesting
Multi-Step-Forecast-Evaluation
Vergleich verschiedener Modelle und Konfigurationen

Dadurch spiegeln die Ergebnisse reale Einsatzszenarien wider.

Skalierbarkeit und Produktionseinsatz

Integration ins Python-ML-Ökosystem

Durch die Nutzung von scikit-learn-Konventionen integriert sich skforecast nahtlos in:

Feature-Transformer
Pipelines
Hyperparameter-Optimierungswerkzeuge
Modell-Speicherung und Deployment-Prozesse

Dies macht skforecast sowohl für Experimente als auch für produktive Systeme geeignet.

Einsatzgebiete

Nachfrage-, Umsatz- und Energieprognosen
Forecasting mit Gradient-Boosting- und neuronalen Modellen
Multi-Series- und hierarchische Zeitreihen
Angewandtes Machine Learning für zeitabhängige Daten
Forschung und Benchmarking von Forecasting-Strategien

Wissenschaftliche Relevanz

skforecast wird in zahlreichen wissenschaftlichen Arbeiten eingesetzt und zitiert, unter anderem in den Bereichen Energie, Nachhaltigkeit, Wirtschaft und Ingenieurwissenschaften.

Open Source

skforecast ist freie Open-Source-Software und steht unter der BSD 3-Clause License. Das Projekt wird aktiv gepflegt, ist NumFOCUS-affiliiert und wird von einer internationalen Community unterstützt.

GC.OS unterstützt skforecast als Open-Source-Projekt für skalierbare, interpretierbare und produktionsreife Machine-Learning-basierte Zeitreihenprognosen.