nixtla
v0.6.3
TimeGPT ist ein produktionsbereiter, generativer vortrainierter Transformator für Zeitreihen. Es ist in der Lage, mit nur wenigen Codezeilen verschiedene Bereiche wie Einzelhandel, Strom, Finanzen und IoT genau vorherzusagen.
pip install nixtla >= 0.5 . 1 import pandas as pd
from nixtla import NixtlaClient # Get your API Key at dashboard.nixtla.io
# 1. Instantiate the NixtlaClient
nixtla_client = NixtlaClient ( api_key = 'YOUR API KEY HERE' )
# 2. Read historic electricity demand data
df = pd . read_csv ( 'https://raw.githubusercontent.com/Nixtla/transfer-learning-time-series/main/datasets/electricity-short.csv' )
# 3. Forecast the next 24 hours
fcst_df = nixtla_client . forecast ( df , h = 24 , level = [ 80 , 90 ])
# 4. Plot your results (optional)
nixtla_client . plot ( df , fcst_df , level = [ 80 , 90 ])
# Get your API Key at dashboard.nixtla.io
# 1. Instantiate the NixtlaClient
nixtla_client = NixtlaClient ( api_key = 'YOUR API KEY HERE' )
# 2. Read Data # Wikipedia visits of NFL Star (
df = pd . read_csv ( 'https://datasets-nixtla.s3.amazonaws.com/peyton-manning.csv' )
# 3. Detect Anomalies
anomalies_df = nixtla_client . detect_anomalies ( df , time_col = 'timestamp' , target_col = 'value' , freq = 'D' )
# 4. Plot your results (optional)
nixtla_client . plot ( df , anomalies_df , time_col = 'timestamp' , target_col = 'value' )
Entdecken Sie unsere API-Referenz, um herauszufinden, wie Sie TimeGPT in verschiedenen Programmiersprachen wie JavaScript, Go und mehr nutzen können.
Zero-Shot-Inferenz : TimeGPT kann sofort Prognosen erstellen und Anomalien erkennen, ohne dass vorherige Trainingsdaten erforderlich sind. Dies ermöglicht eine sofortige Bereitstellung und schnelle Erkenntnisse aus beliebigen Zeitreihendaten.
Feinabstimmung : Verbessern Sie die Funktionen von TimeGPT, indem Sie das Modell auf Ihre spezifischen Datensätze abstimmen, sodass sich das Modell an die Nuancen Ihrer einzigartigen Zeitreihendaten anpassen und die Leistung bei maßgeschneiderten Aufgaben verbessern kann.
API-Zugriff : Integrieren Sie TimeGPT nahtlos in Ihre Anwendungen über unsere robuste API. Die bevorstehende Unterstützung von Azure Studio wird noch flexiblere Integrationsmöglichkeiten bieten. Alternativ können Sie TimeGPT in Ihrer eigenen Infrastruktur bereitstellen, um die volle Kontrolle über Ihre Daten und Arbeitsabläufe zu behalten.
Exogene Variablen hinzufügen : Integrieren Sie zusätzliche Variablen, die Ihre Vorhersagen beeinflussen könnten, um die Prognosegenauigkeit zu verbessern. (z. B. besondere Termine, Veranstaltungen oder Preise)
Prognose mehrerer Zeitreihen : Gleichzeitige Prognose mehrerer Zeitreihendaten zur Optimierung von Arbeitsabläufen und Ressourcen.
Benutzerdefinierte Verlustfunktion : Passen Sie den Feinabstimmungsprozess mit einer benutzerdefinierten Verlustfunktion an, um bestimmte Leistungsmetriken zu erfüllen.
Kreuzvalidierung : Implementieren Sie sofort einsatzbereite Kreuzvalidierungstechniken, um die Robustheit und Generalisierbarkeit des Modells sicherzustellen.
Vorhersageintervalle : Geben Sie Intervalle in Ihren Vorhersagen an, um die Unsicherheit effektiv zu quantifizieren.
Unregelmäßige Zeitstempel : Behandeln Sie Daten mit unregelmäßigen Zeitstempeln und berücksichtigen Sie ungleichmäßige Intervallreihen ohne Vorverarbeitung.
Tauchen Sie ein in unsere umfassende Dokumentation, um Beispiele und praktische Anwendungsfälle für TimeGPT zu entdecken. Unsere Dokumentation deckt ein breites Themenspektrum ab, darunter:
Erste Schritte : Beginnen Sie mit unserer benutzerfreundlichen Schnellstartanleitung und erfahren Sie, wie Sie Ihren API-Schlüssel mühelos einrichten.
Fortgeschrittene Techniken : Beherrschen Sie fortgeschrittene Prognosemethoden und erfahren Sie, wie Sie die Modellgenauigkeit mit unseren Tutorials zur Anomalieerkennung, zur Feinabstimmung von Modellen mithilfe spezifischer Verlustfunktionen und zur Skalierung von Berechnungen über verteilte Frameworks wie Spark, Dask und Ray hinweg verbessern können.
Spezialthemen : Entdecken Sie Spezialthemen wie den Umgang mit exogenen Variablen, Modellvalidierung durch Kreuzvalidierung und Strategien für Prognosen unter Unsicherheit.
Anwendungen aus der realen Welt : Entdecken Sie anhand von Fallstudien zur Vorhersage des Webverkehrs und der Vorhersage von Bitcoin-Preisen, wie TimeGPT in realen Szenarien angewendet wird.
Zeitreihendaten sind in verschiedenen Sektoren von entscheidender Bedeutung, darunter Finanzen, Gesundheitswesen, Meteorologie und Sozialwissenschaften. Ob es darum geht, Meeresgezeiten zu überwachen oder die täglichen Schlusswerte des Dow Jones zu verfolgen, Zeitreihendaten sind für Prognosen und Entscheidungen von entscheidender Bedeutung.
Traditionelle Analysemethoden wie ARIMA, ETS, MSTL, Theta, CES, Modelle des maschinellen Lernens wie XGBoost und LightGBM sowie Deep-Learning-Ansätze sind Standardwerkzeuge für Analysten. TimeGPT führt jedoch mit seiner herausragenden Leistung, Effizienz und Einfachheit einen Paradigmenwechsel ein. Dank seiner Zero-Shot-Inferenzfähigkeit optimiert TimeGPT den Analyseprozess und macht ihn auch für Benutzer mit minimaler Programmiererfahrung zugänglich.
TimeGPT ist benutzerfreundlich und erfordert wenig Code, sodass Benutzer ihre Zeitreihendaten hochladen und mit nur einer einzigen Codezeile entweder Prognosen erstellen oder Anomalien erkennen können. Als einziges Basismodell für die Zeitreihenanalyse kann TimeGPT über unsere öffentlichen APIs, über Azure Studio (bald verfügbar) integriert oder in Ihrer eigenen Infrastruktur bereitgestellt werden.
Selbstaufmerksamkeit, das revolutionäre Konzept, das in der Arbeit „Aufmerksamkeit ist alles, was Sie brauchen“ eingeführt wurde, ist die Grundlage dieses Grundmodells. Das TimeGPT-Modell basiert nicht auf einem vorhandenen großen Sprachmodell (LLMs). Es wird unabhängig auf einem großen Zeitreihendatensatz als großes Transformatormodell trainiert und ist so konzipiert, dass Prognosefehler minimiert werden.
Die Architektur besteht aus einer Encoder-Decoder-Struktur mit mehreren Schichten, jeweils mit Restverbindungen und Schichtnormalisierung. Schließlich ordnet eine lineare Ebene die Ausgabe des Decoders der Dimension des Prognosefensters zu. Die allgemeine Annahme ist, dass aufmerksamkeitsbasierte Mechanismen in der Lage sind, die Vielfalt vergangener Ereignisse zu erfassen und potenzielle zukünftige Verteilungen korrekt zu extrapolieren.
TimeGPT wurde unseres Wissens nach auf der größten Sammlung öffentlich verfügbarer Zeitreihen trainiert, die zusammen über 100 Milliarden Datenpunkte umfassen. Dieses Trainingsset umfasst Zeitreihen aus einem breiten Spektrum von Bereichen, darunter Finanzen, Wirtschaft, Demografie, Gesundheitswesen, Wetter, IoT-Sensordaten, Energie, Webverkehr, Vertrieb, Transport und Bankwesen. Aufgrund dieser vielfältigen Domänen enthält der Trainingsdatensatz Zeitreihen mit einem breiten Spektrum an Merkmalen
TimeGPT wurde anhand von mehr als 300.000 Einzelserien auf seine Zero-Shot-Inferenzfähigkeiten getestet, wobei das Modell ohne zusätzliche Feinabstimmung des Testdatensatzes verwendet werden musste. TimeGPT übertrifft eine umfassende Palette gut etablierter statistischer und hochmoderner Deep-Learning-Modelle und rangiert in verschiedenen Frequenzbereichen durchweg unter den drei besten Anbietern.
TimeGPT zeichnet sich außerdem dadurch aus, dass es einfache und schnelle Vorhersagen mithilfe eines vorab trainierten Modells bietet. Dies steht im krassen Gegensatz zu anderen Modellen, die typischerweise eine umfangreiche Trainings- und Vorhersagepipeline erfordern.
Für die Zero-Shot-Inferenz haben unsere internen Tests eine durchschnittliche GPU-Inferenzgeschwindigkeit von 0,6 Millisekunden pro Serie für TimeGPT aufgezeichnet, was fast der des einfachen Seasonal Naive entspricht.
Wenn Sie TimeGPT für Ihre Forschung nützlich finden, ziehen Sie bitte in Betracht, den zugehörigen Artikel zu zitieren:
@misc{garza2023timegpt1,
title={TimeGPT-1},
author={Azul Garza and Max Mergenthaler-Canseco},
year={2023},
eprint={2310.03589},
archivePrefix={arXiv},
primaryClass={cs.LG}
}
TimeGPT wurde in zahlreichen Veröffentlichungen vorgestellt und für seinen innovativen Ansatz zur Zeitreihenvorhersage gewürdigt. Hier sind einige der Funktionen und Erwähnungen:
TimeGPT ist eine geschlossene Quelle. Dieses SDK ist jedoch Open Source und unter der Apache 2.0-Lizenz verfügbar. Fühlen Sie sich frei, einen Beitrag zu leisten (weitere Informationen finden Sie im Beitragsleitfaden).
Bei Fragen oder Feedback können Sie sich gerne an ops [at] nixtla.io wenden.
