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。

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署开源模型 🍴 复刻 207 🐛 待处理 11 👀 关注 13

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 1546

维护状态活跃

是否开源开源

定价模式 🏷️完全免费开源库，BSD-3-Clause许可证，完全免费，可自行部署使用。

项目预览

项目数据

分类开源模型

开发团队skforecast

官网地址https://skforecast.org

GitHubhttps://github.com/skforecast/skforecast

定价模式🏷️完全免费

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🔧 仅开源项目，无在线服务，需自行部署

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★ 1546

上线时间2021-02-10 00:00:00

代码更新2026-11-10

仓库体积1.29 GB

本站数据更新2026-11-11

维护状态活跃

收录时间2026-08-09

浏览次数4

项目介绍

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。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 1546

技术标签

data-science deep-learning forecasting foundation-models machine-learning

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。