DeepSeek总结的DuckDB anofox-forecast季节调整时间序列预测插件功能

来源：https://github.com/DataZooDE/anofox-forecast

$!重要提示$
本扩展处于早期开发阶段，可能存在缺陷和不兼容的变更。

请使用 issues 页面报告缺陷或请求功能。

一个用于 DuckDB 的时间序列预测扩展，包含 32 个模型、数据准备和分析功能 ------ 全部使用纯 SQL 实现。

✨ 主要特性

🎯 预测（32 个模型）

自动机器学习：AutoETS、AutoARIMA、AutoMFLES、AutoMSTL、AutoTBATS
统计学模型：ETS、ARIMA、Theta、Holt-Winters、季节性朴素法
高级模型：TBATS、MSTL、MFLES（支持多季节性）
间歇需求模型：Croston、ADIDA、IMAPA、TSB
外生变量：ARIMAX、ThetaX、MFLESX（支持外部回归变量）

📊 完整工作流

探索性数据分析与数据质量：5 个函数（2 个表函数、3 个宏），用于探索性分析和数据质量评估
数据准备：12 个宏，用于清洗和转换
多键层次结构：4 个函数，用于组合、聚合和拆分层次时间序列（区域/商店/商品）
交叉验证与回测：支持扩展窗口、固定窗口、滑动窗口、间隔、禁止期和可变预测范围
共形预测：无需分布假设、具有保证覆盖概率的预测区间
评估：12 个指标，包括覆盖率分析
季节性检测：自动周期识别、季节性分类和峰值检测
变点检测：带有概率的状态识别

🔢 特征计算

76+ 个统计特征：为机器学习流水线提取全面的时间序列特征
GROUP BY 与窗口支持：面向多序列特征提取的 DuckDB 原生并行能力
灵活配置：选择特定特征、自定义参数，或使用 JSON/CSV 配置
兼容 tsfresh：与现有机器学习工作流无缝集成（后续也将兼容 hctsa）

⚡ 性能

并行处理：基于 GROUP BY 的 DuckDB 原生并行能力
可扩展：处理数百万条序列
内存高效：列式存储、流式操作
原生 Rust 核心：数据准备和预测的高性能原生实现

🎨 用户友好的 API

零配置：所有宏自动加载
一致的参数风格：基于映射（MAP）的参数方式
可组合：轻松链式调用
多语言支持：可从 Python、R、Julia、C++、Rust 等语言使用！

📋 目录

安装
多语言支持
[API 参考](#API 参考)
指南
许可证

致谢

本扩展使用了 anofox-forecast Rust crate，并实现了多个开源项目的算法。

完整的致谢和许可证信息请参见 <THIRD_PARTY_NOTICES.md>。

安装

社区扩展安装

sql 复制代码

INSTALL anofox_forecast FROM community;
LOAD anofox_forecast;

从源代码构建

bash 复制代码

# 克隆仓库
git clone --recurse-submodules https://github.com/DataZooDE/anofox-forecast.git
cd anofox-forecast

# 构建扩展（选择其中一种方式）
# 此步骤需要 Rust 工具链和 CMake
make release -j$(nproc)      # 使用 Make
GEN=ninja make release       # 使用 Ninja（更快）

# 扩展将构建到：
# build/release/extension/anofox_forecast/anofox_forecast.duckdb_extension

🚀 M5 数据集上的快速开始

在 Dell XPS 13 上，预测大约需要 2 分钟。（需要 DuckDB v1.5.1+）

sql 复制代码

-- 加载扩展
LOAD httpfs;
LOAD anofox_forecast;

🌍 多语言支持

一次编写 SQL，随处使用！ 该扩展可从任何带有 DuckDB 绑定的语言中使用。

语言	状态	说明
Python	✅	通过 DuckDB Python 绑定
R	✅	通过 DuckDB R 绑定
Julia	✅	通过 DuckDB Julia 绑定
C++	✅	通过 DuckDB C++ 绑定
Rust	✅	通过 DuckDB Rust 绑定
Node.js	✅	通过 DuckDB Node 绑定
Go	✅	通过 DuckDB Go 绑定
Java	✅	通过 DuckDB JDBC 驱动

📚 API 参考

完整的函数签名、参数和详细文档，请参见 API 参考。

文档结构

类别	说明	文档
入门	安装和首次预测	入门指南
模型选择	选择合适的模型	模型选择指南
交叉验证	评估预测精度	交叉验证指南

API 文档

主题	说明	参考文档
层次数据	多键层次函数	02-hierarchical.md
统计	34 个统计指标、数据质量	03-statistics.md
数据准备	清洗、填补、过滤	04-data-preparation.md
周期检测	季节性检测（12 种方法）	05-period-detection.md
变点检测	结构断点检测	06-changepoint-detection.md
预测	32 个预测模型	07-forecasting.md
交叉验证	回测和交叉验证函数	08-cross-validation.md
评估指标	12 个精度指标	09-evaluation-metrics.md
共形预测	无分布假设的预测区间	11-conformal-prediction.md
特征提取	117 个 tsfresh 兼容特征	20-feature-extraction.md

模型参考（32 个模型）

类别	模型	参考文档
基线模型	Naive、SMA、SeasonalNaive、RandomWalkDrift	baseline/
指数平滑	SES、Holt、HoltWinters、SeasonalES	exponential-smoothing/
状态空间模型	ETS、ARIMA、AutoETS、AutoARIMA	state-space/
Theta 模型	Theta、OptimizedTheta、DynamicTheta、AutoTheta	theta/
多季节性模型	MFLES、MSTL、TBATS（含自动变体）	multi-seasonal/
间歇需求模型	Croston、CrostonSBA、ADIDA、IMAPA、TSB	intermittent/

📦 开发

前提条件

在构建之前，请安装所需的依赖项：

Manjaro/Arch Linux：

bash 复制代码

sudo pacman -S base-devel cmake ninja openssl eigen

Ubuntu/Debian：

bash 复制代码

sudo apt update
sudo apt install build-essential cmake ninja-build libssl-dev libeigen3-dev

Fedora/RHEL：

bash 复制代码

sudo dnf install gcc-c++ cmake ninja-build openssl-devel eigen3-devel

macOS：

bash 复制代码

brew install cmake ninja openssl eigen

Windows（选项 1 - vcpkg，推荐）：

powershell 复制代码

# 安装 vcpkg
git clone https://github.com/Microsoft/vcpkg.git
.\vcpkg\bootstrap-vcpkg.bat

# 安装依赖项
.\vcpkg\vcpkg install eigen3 openssl

# 使用 vcpkg 工具链构建
cmake -DCMAKE_TOOLCHAIN_FILE=.\vcpkg\scripts\buildsystems\vcpkg.cmake .
cmake --build . --config Release

Windows（选项 2 - MSYS2/MinGW）：

bash 复制代码

# 在 MSYS2 MinGW64 终端中
pacman -S mingw-w64-x86_64-gcc mingw-w64-x86_64-cmake mingw-w64-x86_64-ninja
pacman -S mingw-w64-x86_64-openssl mingw-w64-x86_64-eigen3

# 然后正常构建
make -j$(nproc)

Windows（选项 3 - WSL，最简单）：

bash 复制代码

# 在 WSL 中使用 Ubuntu
wsl --install
# 然后按照上面的 Ubuntu 说明操作

必需项：

C++ 编译器（GCC 9+ 或 Clang 10+）
CMake 3.15+
OpenSSL（开发库）
Eigen3（线性代数库）
Make 或 Ninja（构建系统）

从源代码构建

bash 复制代码

# 克隆仓库（包含子模块）
git clone --recurse-submodules https://github.com/DataZooDE/anofox-forecast.git
cd anofox-forecast

# 设置 Git 钩子（推荐）
./scripts/setup-hooks.sh

# 构建（选择其中一种方式）
make -j$(nproc)              # 使用 Make
GEN=ninja make release       # 使用 Ninja（更快）

代码质量

本项目使用 Git 钩子在提交前确保代码质量：

cargo fmt ------ 强制执行一致的代码格式
cargo clippy ------ 捕获常见错误并强制执行最佳实践

克隆后设置钩子：

bash 复制代码

./scripts/setup-hooks.sh

手动运行检查：

bash 复制代码

cargo fmt --all           # 格式化代码
cargo clippy --workspace  # 运行代码检查工具
cargo test --workspace    # 运行测试

验证安装

bash 复制代码

# 测试扩展
./build/release/duckdb -c "
LOAD 'build/release/extension/anofox_forecast/anofox_forecast.duckdb_extension';
SELECT '扩展加载成功！ ✅' AS status;
"

加载扩展

sql 复制代码

-- 在 DuckDB 中
LOAD 'path/to/anofox_forecast.duckdb_extension';

-- 验证所有函数是否可用
SELECT * FROM TS_FORECAST('sales', date, amount, 'AutoETS', 7, {'seasonal_period': 7});

📄 许可证

商业源代码许可证 1.1（BSL 1.1）

要点

✅ 允许生产使用 ------ 在您的企业内部使用

✅ 允许开发使用 ------ 用于构建应用程序

✅ 允许研究使用 ------ 学术和科研用途

❌ 不得作为托管服务提供 ------ 不可向第三方提供 SaaS 服务

❌ 不得嵌入商业产品 ------ 禁止向第三方分发

🔄 转换为 MPL 2.0 ------ 首次发布 5 年后自动转换

完整条款请参见 <LICENSE> 文件。

🤝 贡献

欢迎贡献！请参阅 <CONTRIBUTING.md> 了解贡献指南。

📞 支持

文档：<docs/>
问题反馈 ：GitHub Issues
讨论交流 ：GitHub Discussions
电子邮件：sm@data-zoo.de

🎓 引用

如果您在研究中使用本扩展，请引用：

bibtex 复制代码

@software{anofox_forecast,
  title = {Anofox Forecast: Time Series Forecasting for DuckDB},
  author = {Joachim Rosskopf, Simon Müller, DataZoo GmbH},
  year = {2025},
  url = {https://github.com/DataZooDE/anofox-forecast}
}

🏆 致谢

本扩展构建在以下项目之上：

DuckDB ------ 出色的分析数据库
anofox-forecast ------ 核心预测库
anofox-regression ------ 回归与特征提取

特别感谢 DuckDB 团队使扩展成为可能！

Anofox 团队 ❤️ 呈献

⭐ 如果您觉得有用，请给我们点个 Star！

📢 关注我们 获取更新：LinkedIn @datazoo

🚀 立即开始 ：LOAD 'anofox_forecast';