二氧化碳 (CO2) 和甲烷 (CH4) 等温室气体 (GHG) 会在大气中捕获热量，从而使我们的星球保持温暖，对生物物种友好。 无论如何，燃烧化石燃料等人类活动会导致大量温室气体排放，从而过度提高地球的全球平均温度²。 因此，向可持续的全球经济转型势在必行，这样我们才能减缓气候变化并确保我们物种的繁荣。 在本文中，我们将对大气 CO2 浓度数据应用时间序列预测，从而有机会探索机器学习与气候变化的交叉点。
Darts 库开发人员旨在使用 Python 简化时间序列分析和预测。 Darts 支持多种预测方法，包括 ARIMA 和指数平滑等经典统计模型，以及基于机器学习和深度学习的新方法。 此外，Darts 包含各种功能，可以让我们了解时间序列的统计特性，以及评估预测模型的准确性。
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib as mpl
from statsmodels.tsa.seasonal import seasonal_decompose
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
from darts import TimeSeries
from darts.models import *
from darts.metrics import *
from darts.dataprocessing.transformers import Scaler
import logging
mpl.rcParams['figure.dpi'] = 300
logging.disable(logging.CRITICAL)
简述：时间序列分析：我们将使用Python提取有关数据集及其统计属性的。 这将通过使用各种类型的绘图和其他时间序列分析技术来完成。时间序列预测：我们将在二氧化碳数据集上训练各种预测模型并比较它们的性能。 之后，我们将选择最准确的模型并根据它创建 2022 年的预测。