nixtla
v0.6.3
TimeGPT es un transformador preentrenado generativo y listo para producción para series temporales. Es capaz de predecir con precisión varios dominios, como el comercio minorista, la electricidad, las finanzas y el IoT con solo unas pocas líneas de código.
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' )
Explore nuestra referencia de API para descubrir cómo aprovechar TimeGPT en varios lenguajes de programación, incluidos JavaScript, Go y más.
Inferencia de disparo cero : TimeGPT puede generar pronósticos y detectar anomalías directamente, sin necesidad de datos de entrenamiento previo. Esto permite una implementación inmediata y conocimientos rápidos a partir de cualquier dato de serie temporal.
Ajuste fino : mejore las capacidades de TimeGPT ajustando el modelo en sus conjuntos de datos específicos, permitiendo que el modelo se adapte a los matices de sus datos de series temporales únicos y mejorando el rendimiento en tareas personalizadas.
Acceso API : integre TimeGPT sin problemas en sus aplicaciones a través de nuestra sólida API. El próximo soporte para Azure Studio brindará opciones de integración aún más flexibles. Alternativamente, implemente TimeGPT en su propia infraestructura para mantener un control total sobre sus datos y flujos de trabajo.
Agregue variables exógenas : incorpore variables adicionales que puedan influir en sus predicciones para mejorar la precisión del pronóstico. (Ej. Fechas especiales, eventos o precios)
Previsión de series múltiples : pronostique simultáneamente datos de series temporales múltiples, optimizando flujos de trabajo y recursos.
Función de pérdida personalizada : adapte el proceso de ajuste con una función de pérdida personalizada para cumplir con métricas de rendimiento específicas.
Validación cruzada : implemente técnicas de validación cruzada listas para usar para garantizar la solidez y generalización del modelo.
Intervalos de predicción : proporcione intervalos en sus predicciones para cuantificar la incertidumbre de manera efectiva.
Marcas de tiempo irregulares : maneja datos con marcas de tiempo irregulares, acomodando series de intervalos no uniformes sin preprocesamiento.
Profundice en nuestra documentación completa para descubrir ejemplos y casos de uso prácticos para TimeGPT. Nuestra documentación cubre una amplia gama de temas, que incluyen:
Primeros pasos : comience con nuestra Guía de inicio rápido fácil de usar y aprenda cómo configurar su clave API sin esfuerzo.
Técnicas avanzadas : domine los métodos de pronóstico avanzados y aprenda cómo mejorar la precisión del modelo con nuestros tutoriales sobre detección de anomalías, ajuste de modelos utilizando funciones de pérdida específicas y cálculos de escala en marcos distribuidos como Spark, Dask y Ray.
Temas especializados : explore temas especializados como el manejo de variables exógenas, la validación de modelos mediante validación cruzada y estrategias para realizar pronósticos en condiciones de incertidumbre.
Aplicaciones del mundo real : descubra cómo se aplica TimeGPT en escenarios del mundo real a través de estudios de casos sobre cómo pronosticar el tráfico web y predecir los precios de Bitcoin.
Los datos de series temporales son fundamentales en varios sectores, incluidos las finanzas, la atención sanitaria, la meteorología y las ciencias sociales. Ya sea monitoreando las mareas oceánicas o rastreando los valores de cierre diarios del Dow Jones, los datos de series temporales son cruciales para el pronóstico y la toma de decisiones.
Los métodos de análisis tradicionales como ARIMA, ETS, MSTL, Theta, CES, modelos de aprendizaje automático como XGBoost y LightGBM y enfoques de aprendizaje profundo han sido herramientas estándar para los analistas. Sin embargo, TimeGPT introduce un cambio de paradigma con su destacado rendimiento, eficiencia y simplicidad. Gracias a su capacidad de inferencia de disparo cero, TimeGPT agiliza el proceso analítico, haciéndolo accesible incluso para usuarios con experiencia mínima en codificación.
TimeGPT es fácil de usar y requiere poco código, lo que permite a los usuarios cargar sus datos de series temporales y generar pronósticos o detectar anomalías con una sola línea de código. Como único modelo básico para el análisis de series temporales listo para usar, TimeGPT puede integrarse a través de nuestras API públicas, a través de Azure Studio (próximamente) o implementarse en su propia infraestructura.
La autoatención, el concepto revolucionario introducido por el artículo “La atención es todo lo que necesitas”, es la base de este modelo fundamental. El modelo TimeGPT no se basa en ningún modelo de lenguaje grande (LLM) existente. Se entrena de forma independiente en un vasto conjunto de datos de series temporales como un modelo de transformador grande y está diseñado para minimizar el error de pronóstico.
La arquitectura consta de una estructura codificador-decodificador con múltiples capas, cada una con conexiones residuales y normalización de capas. Finalmente, una capa lineal asigna la salida del decodificador a la dimensión de la ventana de pronóstico. La intuición general es que los mecanismos basados en la atención son capaces de capturar la diversidad de eventos pasados y extrapolar correctamente posibles distribuciones futuras.
TimeGPT se entrenó en, hasta donde sabemos, la mayor colección de series temporales disponibles públicamente, que en conjunto abarcan más de 100 mil millones de puntos de datos. Este conjunto de capacitación incorpora series temporales de una amplia gama de dominios, que incluyen finanzas, economía, demografía, atención médica, clima, datos de sensores de IoT, energía, tráfico web, ventas, transporte y banca. Debido a este conjunto diverso de dominios, el conjunto de datos de entrenamiento contiene series temporales con una amplia gama de características.
TimeGPT ha sido probado por sus capacidades de inferencia de disparo cero en más de 300.000 series únicas, lo que implica el uso del modelo sin ajustes adicionales en el conjunto de datos de prueba. TimeGPT supera a una amplia gama de modelos estadísticos y de aprendizaje profundo de vanguardia bien establecidos, ubicándose constantemente entre los tres mejores en varias frecuencias.
TimeGPT también destaca por ofrecer predicciones simples y rápidas utilizando un modelo previamente entrenado. Esto contrasta marcadamente con otros modelos que normalmente requieren un extenso proceso de capacitación y predicción.
Para la inferencia de disparo cero, nuestras pruebas internas registraron una velocidad de inferencia de GPU promedio de 0,6 milisegundos por serie para TimeGPT, que casi refleja la del simple Seasonal Naive.
Si encuentra que TimeGPT es útil para su investigación, considere citar el artículo asociado:
@misc{garza2023timegpt1,
title={TimeGPT-1},
author={Azul Garza and Max Mergenthaler-Canseco},
year={2023},
eprint={2310.03589},
archivePrefix={arXiv},
primaryClass={cs.LG}
}
TimeGPT ha aparecido en muchas publicaciones y ha sido reconocido por su enfoque innovador para el pronóstico de series temporales. Estas son algunas de las características y menciones:
TimeGPT es de código cerrado. Sin embargo, este SDK es de código abierto y está disponible bajo la licencia Apache 2.0. No dudes en contribuir (consulta la guía de contribución para obtener más detalles).
Si tiene alguna pregunta o comentario, no dude en comunicarse con nosotros en ops [arroba] nixtla.io.
