skforecast

用 sklearn 模型轻松做时间序列预测，多步预测和回测一站搞定。

skforecast 是一个基于 Python 的时间序列预测库，它允许用户直接使用 scikit-learn 兼容的机器学习模型（如随机森林、XGBoost、LightGBM 等）进行预测，同时支持统计方法和基础模型（如 LLM）。它解决的核心问题是传统时间序列库（如 ARIMA）难以融合机器学习特征和外部变量的痛点，提供了特征工程、递归/直接多步预测策略、模型验证、超参数调优、回测等一站式能力。其核心能力包括：自动处理滞后特征和滚动窗口、支持外生变量、多种预测策略（递归、直接、多输出）、以及稳健的模型评估工具。通过熟悉的 sklearn API，降低了机器学习工程师上手时间序列预测的门槛，并支持与 Optuna 等库集成进行自动化调参。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 1536

维护状态活跃

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队skforecast

所属国家

官网地址https://skforecast.org

GitHubhttps://github.com/skforecast/skforecast

定价模式free

价格说明开源库，BSD-3-Clause许可证，完全免费，可自行部署使用。

访问状态

是否开源是

开源协议BSD-3-Clause

主要语言Python

技术栈/模型arima,backtesting-forecasters,catboost,data-science,deep-learning,exogenous-predictors,forecasting,foundation-models,lightgbm,machine-learning,multi-series-forecasting,multi-step-forecasting,prediction-intervals,probabilistic-forecasting,python,sarimax,scikit-learn,time-series,time-series-forecasting,xgboost

GitHub 星标★ 1536

30天Star增速

HF 下载量

上线时间2021-02-10 00:00:00

最近更新2026-09-22 00:00:00

维护状态活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数2

使用教程

难度：入门约 5 分钟部署方式：库/依赖 3 步

环境要求

Python 3.10 / 3.11 / 3.12 / 3.13 / 3.14（README 徽章标注的受支持版本）
可正常联网的 pip 环境，用于从 PyPI 安装
若要使用更多依赖与额外功能，需参考官方 Installation Guide 另行安装

安装与启动步骤

1检查 Python 版本

先确认本机 Python 版本在 README 标注的 3.10–3.14 范围内，版本不符时升级后再安装。
```
python --version
```
2安装 skforecast

使用 PyPI 安装基础版本，该命令会一并安装核心依赖，无需手动准备其它包。
```
pip install skforecast
```
3查看完整安装选项

若需要额外依赖或高级功能，README 指引前往官方安装指南，按其中的说明选择对应安装方式。

如何确认成功

在 Python 环境执行 import skforecast 无报错，即表示库已成功安装可用。

常见问题

Q：安装命令是什么？

A：README 给出的唯一安装命令是 pip install skforecast，用于安装含核心依赖的基础版本。

Q：支持哪些 Python 版本？

A：README 徽章显示支持 Python 3.10、3.11、3.12、3.13 和 3.14，低于 3.10 的版本不在支持范围内。

Q：还需要安装别的依赖吗？

A：安装基础版本会自动带上核心依赖；如需更多依赖或额外功能，请按官方 Installation Guide 操作。

Q：有没有 PyPI 之外的安装方式？

A：README 列出了 conda-forge 徽章，但给出的安装说明只有 pip 方式，其它方式请查阅官方安装指南。

注意事项

README 只提供了 pip 安装方式，未给出 conda、源码编译或 Docker 安装命令。
本教程未虚构端口、路径或配置文件，实际使用方式请参考官网文档 skforecast.org。
涉及额外功能时先确认官方安装指南中对应的附加依赖，避免环境冲突。

核心亮点

完美复用 sklearn 生态，模型选择丰富，上手快
内置递归/直接多步预测和回测验证，省去自己造轮子
支持外生变量和特征工程，预测更灵活准确

不足之处

文档/社区待观察
相比 Prophet 等专用库，对季节性自动处理较弱

适用场景

电商销量预测与库存优化
能源负荷或天气数据预测
金融指标或运营指标的多步预测

替代项目

Prophet、statsmodels、sktime

项目介绍

skforecast 是行业应用领域的开源项目，由 skforecast 开发，2021 年首次发布。

在全站 13,090 个收录项目中，它的 GitHub 星标数（1,536）位列前 30%，在行业应用分类中处于中上游。

项目目前处于活跃维护状态，最近一次代码更新于 2026-09-22。开源库，BSD-3-Clause许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：电商销量预测与库存优化。同类可对比的替代方案包括 Prophet、statsmodels、sktime。

上一篇：PokeLLMon

下一篇：aurora