nixtla
v0.6.3
TimeGPT est un transformateur pré-entraîné génératif prêt pour la production pour les séries chronologiques. Il est capable de prédire avec précision divers domaines tels que la vente au détail, l'électricité, la finance et l'IoT avec seulement quelques lignes de code.
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' )
Explorez notre référence API pour découvrir comment exploiter TimeGPT dans divers langages de programmation, notamment JavaScript, Go, et bien plus encore.
Inférence Zero-shot : TimeGPT peut générer des prévisions et détecter des anomalies dès la sortie de la boîte, ne nécessitant aucune donnée de formation préalable. Cela permet un déploiement immédiat et des informations rapides à partir de toutes les données de séries chronologiques.
Affinement : améliorez les capacités de TimeGPT en affinant le modèle sur vos ensembles de données spécifiques, permettant au modèle de s'adapter aux nuances de vos données de séries chronologiques uniques et en améliorant les performances sur des tâches personnalisées.
Accès API : intégrez TimeGPT de manière transparente dans vos applications via notre API robuste. La prise en charge prochaine d'Azure Studio offrira des options d'intégration encore plus flexibles. Vous pouvez également déployer TimeGPT sur votre propre infrastructure pour conserver un contrôle total sur vos données et vos flux de travail.
Ajouter des variables exogènes : intégrez des variables supplémentaires susceptibles d'influencer vos prévisions pour améliorer la précision des prévisions. (Par exemple, dates spéciales, événements ou prix)
Prévisions de séries multiples : prévoyez simultanément plusieurs données de séries chronologiques, en optimisant les flux de travail et les ressources.
Fonction de perte personnalisée : adaptez le processus de réglage fin avec une fonction de perte personnalisée pour répondre à des mesures de performances spécifiques.
Validation croisée : mettre en œuvre des techniques de validation croisée prêtes à l'emploi pour garantir la robustesse et la généralisabilité du modèle.
Intervalles de prédiction : fournissez des intervalles dans vos prévisions pour quantifier efficacement l'incertitude.
Horodatages irréguliers : gérez les données avec des horodatages irréguliers, acceptant des séries d'intervalles non uniformes sans prétraitement.
Plongez dans notre documentation complète pour découvrir des exemples et des cas d'utilisation pratiques de TimeGPT. Notre documentation couvre un large éventail de sujets, notamment :
Mise en route : commencez par notre guide de démarrage rapide convivial et apprenez à configurer votre clé API sans effort.
Techniques avancées : maîtrisez les méthodes de prévision avancées et apprenez à améliorer la précision des modèles grâce à nos didacticiels sur la détection des anomalies, le réglage fin des modèles à l'aide de fonctions de perte spécifiques et la mise à l'échelle des calculs sur des frameworks distribués tels que Spark, Dask et Ray.
Sujets spécialisés : explorez des sujets spécialisés tels que la gestion des variables exogènes, la validation de modèles par validation croisée et les stratégies de prévision dans des conditions d'incertitude.
Applications du monde réel : découvrez comment TimeGPT est appliqué dans des scénarios du monde réel à travers des études de cas sur la prévision du trafic Web et la prévision des prix du Bitcoin.
Les données de séries chronologiques sont essentielles dans divers secteurs, notamment la finance, la santé, la météorologie et les sciences sociales. Qu'il s'agisse de surveiller les marées océaniques ou de suivre les valeurs de clôture quotidiennes du Dow Jones, les données de séries chronologiques sont cruciales pour les prévisions et la prise de décision.
Les méthodes d'analyse traditionnelles telles que ARIMA, ETS, MSTL, Theta, CES, les modèles d'apprentissage automatique comme XGBoost et LightGBM et les approches d'apprentissage profond sont des outils standard pour les analystes. Cependant, TimeGPT introduit un changement de paradigme avec ses performances, son efficacité et sa simplicité exceptionnelles. Grâce à sa capacité d'inférence zéro-shot, TimeGPT rationalise le processus analytique, le rendant accessible même aux utilisateurs ayant une expérience minimale en codage.
TimeGPT est convivial et low-code, permettant aux utilisateurs de télécharger leurs données de séries chronologiques et de générer des prévisions ou de détecter des anomalies avec une seule ligne de code. En tant que seul modèle de base pour l'analyse de séries chronologiques prêt à l'emploi, TimeGPT peut être intégré via nos API publiques, via Azure Studio (à venir) ou déployé sur votre propre infrastructure.
L'attention personnelle, le concept révolutionnaire introduit par l'article « L'attention est tout ce dont vous avez besoin », est à la base de ce modèle fondateur. Le modèle TimeGPT n'est basé sur aucun modèle de grand langage (LLM) existant. Il est formé indépendamment sur un vaste ensemble de données de séries temporelles en tant que grand modèle de transformateur et est conçu de manière à minimiser l'erreur de prévision.
L'architecture se compose d'une structure codeur-décodeur avec plusieurs couches, chacune avec des connexions résiduelles et une normalisation des couches. Enfin, une couche linéaire mappe la sortie du décodeur à la dimension de la fenêtre de prévision. L’intuition générale est que les mécanismes basés sur l’attention sont capables de capturer la diversité des événements passés et d’extrapoler correctement les distributions futures potentielles.
TimeGPT a été formé sur, à notre connaissance, la plus grande collection de séries chronologiques accessibles au public, englobant collectivement plus de 100 milliards de points de données. Cet ensemble de formation intègre des séries chronologiques provenant d'un large éventail de domaines, notamment la finance, l'économie, la démographie, la santé, la météo, les données des capteurs IoT, l'énergie, le trafic Web, les ventes, les transports et la banque. En raison de cet ensemble diversifié de domaines, l'ensemble de données de formation contient des séries temporelles présentant un large éventail de caractéristiques.
TimeGPT a été testé pour ses capacités d'inférence zéro-shot sur plus de 300 000 séries uniques, qui impliquent l'utilisation du modèle sans ajustement supplémentaire sur l'ensemble de données de test. TimeGPT surpasse une gamme complète de modèles statistiques et d'apprentissage profond de pointe bien établis, se classant systématiquement parmi les trois meilleurs sur différentes fréquences.
TimeGPT excelle également en proposant des prédictions simples et rapides à l'aide d'un modèle pré-entraîné. Cela contraste fortement avec d’autres modèles qui nécessitent généralement un pipeline approfondi de formation et de prédiction.
Pour l'inférence zéro-shot, nos tests internes ont enregistré une vitesse d'inférence GPU moyenne de 0,6 milliseconde par série pour TimeGPT, ce qui reflète presque celle du simple Seasonal Naive.
Si vous trouvez TimeGPT utile pour votre recherche, pensez à citer l'article associé :
@misc{garza2023timegpt1,
title={TimeGPT-1},
author={Azul Garza and Max Mergenthaler-Canseco},
year={2023},
eprint={2310.03589},
archivePrefix={arXiv},
primaryClass={cs.LG}
}
TimeGPT a été présenté dans de nombreuses publications et a été reconnu pour son approche innovante de la prévision des séries chronologiques. Voici quelques-unes des fonctionnalités et mentions :
TimeGPT est une source fermée. Cependant, ce SDK est open source et disponible sous la licence Apache 2.0. N'hésitez pas à contribuer (consultez le guide de contribution pour plus de détails).
Pour toute question ou commentaire, n'hésitez pas à nous contacter à ops [at] nixtla.io.
