nixtla
v0.6.3
TimeGPT adalah trafo terlatih generatif yang siap produksi untuk deret waktu. Ia mampu secara akurat memprediksi berbagai domain seperti ritel, listrik, keuangan, dan IoT hanya dengan beberapa baris kode.
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' )
Jelajahi Referensi API kami untuk mengetahui cara memanfaatkan TimeGPT di berbagai bahasa pemrograman termasuk JavaScript, Go, dan banyak lagi.
Inferensi Zero-shot : TimeGPT dapat menghasilkan perkiraan dan mendeteksi anomali secara langsung, tidak memerlukan data pelatihan sebelumnya. Hal ini memungkinkan penerapan segera dan wawasan cepat dari data deret waktu apa pun.
Penyempurnaan : Tingkatkan kemampuan TimeGPT dengan menyempurnakan model pada kumpulan data spesifik Anda, memungkinkan model beradaptasi dengan nuansa data rangkaian waktu unik Anda dan meningkatkan kinerja pada tugas yang disesuaikan.
Akses API : Integrasikan TimeGPT dengan lancar ke dalam aplikasi Anda melalui API kami yang tangguh. Dukungan mendatang untuk Azure Studio akan memberikan opsi integrasi yang lebih fleksibel. Alternatifnya, terapkan TimeGPT di infrastruktur Anda sendiri untuk mempertahankan kontrol penuh atas data dan alur kerja Anda.
Tambahkan Variabel Eksogen : Gabungkan variabel tambahan yang mungkin memengaruhi prediksi Anda untuk meningkatkan akurasi perkiraan. (Misalnya Tanggal Spesial, acara atau harga)
Peramalan Seri Berganda : Memprakirakan beberapa data deret waktu secara bersamaan, mengoptimalkan alur kerja dan sumber daya.
Fungsi Kerugian Khusus : Menyesuaikan proses penyesuaian dengan fungsi kerugian khusus untuk memenuhi metrik kinerja tertentu.
Validasi Silang : Menerapkan teknik validasi silang yang siap pakai untuk memastikan ketahanan dan generalisasi model.
Interval Prediksi : Berikan interval dalam prediksi Anda untuk mengukur ketidakpastian secara efektif.
Stempel Waktu Tidak Beraturan : Menangani data dengan stempel waktu tidak beraturan, mengakomodasi rangkaian interval yang tidak seragam tanpa pemrosesan awal.
Pelajari dokumentasi komprehensif kami untuk menemukan contoh dan kasus penggunaan praktis TimeGPT. Dokumentasi kami mencakup berbagai topik, termasuk:
Memulai : Mulailah dengan Panduan Memulai Cepat kami yang mudah digunakan dan pelajari cara menyiapkan kunci API Anda dengan mudah.
Teknik Tingkat Lanjut : Kuasai metode perkiraan tingkat lanjut dan pelajari cara meningkatkan akurasi model dengan tutorial kami tentang deteksi anomali, menyempurnakan model menggunakan fungsi kerugian tertentu, dan menskalakan komputasi di seluruh kerangka kerja terdistribusi seperti Spark, Dask, dan Ray.
Topik Khusus : Jelajahi topik khusus seperti penanganan variabel eksogen, validasi model melalui validasi silang, dan strategi peramalan dalam ketidakpastian.
Penerapan di Dunia Nyata : Temukan bagaimana TimeGPT diterapkan dalam skenario dunia nyata melalui studi kasus tentang perkiraan lalu lintas web dan prediksi harga Bitcoin.
Data deret waktu sangat penting di berbagai sektor, termasuk keuangan, layanan kesehatan, meteorologi, dan ilmu sosial. Baik untuk memantau pasang surut air laut atau melacak nilai penutupan harian Dow Jones, data deret waktu sangat penting untuk peramalan dan pengambilan keputusan.
Metode analisis tradisional seperti ARIMA, ETS, MSTL, Theta, CES, model pembelajaran mesin seperti XGBoost dan LightGBM, dan pendekatan pembelajaran mendalam telah menjadi alat standar bagi para analis. Namun, TimeGPT memperkenalkan perubahan paradigma dengan kinerja, efisiensi, dan kesederhanaannya yang menonjol. Berkat kemampuan inferensi zero-shot, TimeGPT menyederhanakan proses analitis, sehingga dapat diakses bahkan oleh pengguna dengan pengalaman coding minimal.
TimeGPT ramah pengguna dan berkode rendah, memungkinkan pengguna mengunggah data deret waktu dan menghasilkan perkiraan atau mendeteksi anomali hanya dengan satu baris kode. Sebagai satu-satunya model dasar untuk analisis rangkaian waktu, TimeGPT dapat diintegrasikan melalui API publik kami, melalui Azure Studio (segera hadir), atau diterapkan pada infrastruktur Anda sendiri.
Perhatian diri, konsep revolusioner yang diperkenalkan oleh makalah “Perhatian adalah semua yang Anda butuhkan”, adalah dasar dari model dasar ini. Model TimeGPT tidak didasarkan pada model bahasa besar (LLM) yang ada. Ini dilatih secara independen pada kumpulan data deret waktu yang luas sebagai model transformator besar dan dirancang untuk meminimalkan kesalahan perkiraan.
Arsitekturnya terdiri dari struktur encoder-decoder dengan banyak lapisan, masing-masing dengan koneksi sisa dan normalisasi lapisan. Terakhir, lapisan linier memetakan keluaran dekoder ke dimensi jendela perkiraan. Intuisi umumnya adalah bahwa mekanisme berbasis perhatian mampu menangkap keragaman peristiwa masa lalu dan dengan tepat mengekstrapolasi potensi distribusi di masa depan.
TimeGPT dilatih, sepengetahuan kami, pada kumpulan rangkaian waktu terbesar yang tersedia untuk umum, yang secara kolektif mencakup lebih dari 100 miliar titik data. Rangkaian pelatihan ini menggabungkan rangkaian waktu dari beragam domain, termasuk keuangan, ekonomi, demografi, layanan kesehatan, cuaca, data sensor IoT, energi, lalu lintas web, penjualan, transportasi, dan perbankan. Karena kumpulan domain yang beragam ini, kumpulan data pelatihan berisi rangkaian waktu dengan berbagai karakteristik
TimeGPT telah diuji kemampuan inferensi zero-shotnya pada lebih dari 300 ribu seri unik, yang melibatkan penggunaan model tanpa penyesuaian tambahan pada kumpulan data pengujian. TimeGPT mengungguli serangkaian model pembelajaran mendalam statistik dan mutakhir yang komprehensif, dan secara konsisten berada di peringkat tiga teratas dengan kinerja terbaik di berbagai frekuensi.
TimeGPT juga unggul dengan menawarkan prediksi sederhana dan cepat menggunakan model terlatih. Hal ini sangat berbeda dengan model lain yang biasanya memerlukan pelatihan ekstensif dan jalur prediksi.
Untuk inferensi zero-shot, pengujian internal kami mencatat kecepatan inferensi GPU rata-rata sebesar 0,6 milidetik per seri untuk TimeGPT, yang hampir mencerminkan kecepatan inferensi Seasonal Naive yang sederhana.
Jika Anda merasa TimeGPT berguna untuk penelitian Anda, harap pertimbangkan untuk mengutip makalah terkait:
@misc{garza2023timegpt1,
title={TimeGPT-1},
author={Azul Garza and Max Mergenthaler-Canseco},
year={2023},
eprint={2310.03589},
archivePrefix={arXiv},
primaryClass={cs.LG}
}
TimeGPT telah ditampilkan dalam banyak publikasi dan telah diakui karena pendekatan inovatifnya terhadap perkiraan deret waktu. Berikut beberapa fitur dan penyebutannya:
TimeGPT adalah sumber tertutup. Namun, SDK ini bersifat open source dan tersedia di bawah Lisensi Apache 2.0. Jangan ragu untuk berkontribusi (lihat panduan Berkontribusi untuk lebih jelasnya).
Untuk pertanyaan atau masukan apa pun, jangan ragu untuk menghubungi kami di ops [at] nixtla.io.
