nixtlaダウンロード - nixtlaソースコードのダウンロード

nixtla

AI ソースコード

v0.6.3

ダウンロード

ニストラ

時間GPT-1

予測と異常検出のための最初の基礎モデル

TimeGPT は、実稼働対応の、時系列用の生成事前トレーニング済みトランスフォーマーです。わずか数行のコードで、小売、電力、金融、IoT などのさまざまなドメインを正確に予測できます。

クイックスタート

クイックスタートTGPT.mp4

nixtlaのSDKをインストールする

 pip install nixtla >= 0.5 . 1

ライブラリをインポートしてデータをロードする

 import pandas as pd
from nixtla import NixtlaClient

TimeGPT を使用した 3 つの簡単なステップで予測する

 # 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 ])

予測結果

TimeGPT を使用した 3 つの簡単なステップでの異常検出

 # 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' )

異常検出

?他の言語の API サポート

API リファレンスを参照して、JavaScript、Go などのさまざまなプログラミング言語で TimeGPT を活用する方法を確認してください。

特徴と機能

ゼロショット推論: TimeGPT は、事前のトレーニングデータを必要とせず、すぐに予測を生成して異常を検出できます。これにより、即時の展開と、あらゆる時系列データからの迅速な洞察が可能になります。
微調整: 特定のデータセットでモデルを微調整することで TimeGPT の機能を強化し、モデルが独自の時系列データのニュアンスに適応できるようにし、調整されたタスクのパフォーマンスを向上させます。
API アクセス: TimeGPT を堅牢な API を介してアプリケーションにシームレスに統合します。 Azure Studio の今後のサポートでは、さらに柔軟な統合オプションが提供されます。あるいは、TimeGPT を独自のインフラストラクチャにデプロイして、データとワークフローの完全な制御を維持します。
外生変数の追加: 予測に影響を与える可能性のある追加の変数を組み込んで、予測の精度を高めます。 (例: 特別な日、イベント、料金など)
複数系列の予測: 複数の時系列データを同時に予測し、ワークフローとリソースを最適化します。
カスタム損失関数: 特定のパフォーマンス指標を満たすようにカスタム損失関数を使用して微調整プロセスを調整します。
相互検証: すぐに使用できる相互検証手法を実装して、モデルの堅牢性と一般化可能性を確保します。
予測間隔: 不確実性を効果的に定量化するために、予測に間隔を指定します。
不規則なタイムスタンプ: 不規則なタイムスタンプを持つデータを処理し、前処理なしで不均一な間隔のシリーズに対応します。

例と使用例を含むドキュメント

包括的なドキュメントを参照して、TimeGPT の例と実際の使用例を見つけてください。私たちのドキュメントでは、次のような幅広いトピックがカバーされています。

はじめに: ユーザーフレンドリーなクイックスタートガイドから始めて、API キーを簡単に設定する方法を学びましょう。
高度なテクニック: 異常検出、特定の損失関数を使用したモデルの微調整、Spark、Dask、Ray などの分散フレームワーク全体にわたる計算のスケーリングに関するチュートリアルで、高度な予測方法をマスターし、モデルの精度を高める方法を学びます。
専門的なトピック: 外生変数の処理、相互検証によるモデルの検証、不確実性の下での予測戦略などの専門的なトピックを検討します。
現実世界のアプリケーション: Web トラフィックの予測とビットコイン価格の予測に関するケーススタディを通じて、TimeGPT が現実世界のシナリオにどのように適用されるかを明らかにします。

⁉️ TimeGPT-1: 予測と異常検出に革命を起こす

時系列データは、金融、医療、気象学、社会科学など、さまざまな分野にわたって極めて重要です。海の潮汐を監視する場合でも、ダウジョーンズの毎日の終値を追跡する場合でも、時系列データは予測と意思決定に不可欠です。

ARIMA、ETS、MSTL、Theta、CES などの従来の分析手法、XGBoost や LightGBM などの機械学習モデル、深層学習アプローチは、分析者にとっての標準ツールでした。しかし、TimeGPT は、その卓越したパフォーマンス、効率性、シンプルさによってパラダイムシフトをもたらします。 TimeGPT はゼロショット推論機能のおかげで分析プロセスを合理化し、最小限のコーディング経験を持つユーザーでもアクセスできるようにします。

TimeGPT はユーザーフレンドリーでローコードなので、ユーザーは時系列データをアップロードし、たった 1 行のコードで予測を生成したり、異常を検出したりできます。 TimeGPT は、すぐに使える時系列分析の唯一の基盤モデルとして、パブリック API、Azure Studio (近日公開予定) を介して統合することも、独自のインフラストラクチャにデプロイすることもできます。

TimeGPT のアーキテクチャ

「必要なのは注意だけだ」という論文で紹介された革新的な概念である自己注意が、この基本モデルの基礎です。 TimeGPT モデルは、既存の大規模言語モデル (LLM) に基づいていません。膨大な時系列データセットに対して大規模なトランスフォーマーモデルとして独立してトレーニングされ、予測誤差を最小限に抑えるように設計されています。

このアーキテクチャは、複数のレイヤーを備えたエンコーダー/デコーダー構造で構成されており、各レイヤーには残余接続とレイヤー正規化が含まれています。最後に、線形層がデコーダーの出力を予測ウィンドウの次元にマッピングします。一般的な直感は、注意ベースのメカニズムは過去の出来事の多様性を捉え、潜在的な将来の分布を正確に推定できるということです。

TimeGPT は、私たちの知る限り、合計 1,000 億を超えるデータポイントを含む、公的に利用可能な時系列の最大のコレクションでトレーニングされました。このトレーニングセットには、金融、経済、人口動態、ヘルスケア、気象、IoT センサーデータ、エネルギー、Web トラフィック、販売、運輸、銀行業務など、幅広い分野の時系列が組み込まれています。この多様なドメインのセットにより、トレーニングデータセットには幅広い特性を持つ時系列が含まれます。

⚡️ ゼロショットの結果

正確さ：

TimeGPT は、300,000 を超える固有のシリーズでゼロショット推論機能についてテストされており、これには、テストデータセットで追加の微調整を行わずにモデルを使用することが含まれます。 TimeGPT は、確立された統計モデルや最先端のディープラーニングモデルの包括的なパフォーマンスを上回り、さまざまな周波数にわたって一貫して上位 3 位以内にランク付けされています。

使いやすさ:

TimeGPT は、事前トレーニングされたモデルを使用してシンプルかつ迅速な予測を提供することでも優れています。これは、通常、大規模なトレーニングと予測パイプラインを必要とする他のモデルとはまったく対照的です。

効率とスピード:

ゼロショット推論の場合、内部テストでは TimeGPT のシリーズあたり 0.6 ミリ秒の平均 GPU 推論速度を記録しました。これは、単純な Seasonal Naive の推論速度とほぼ同じです。

どのように引用すればよいでしょうか？

TimeGPT が研究に役立つと思われる場合は、関連する論文を引用することを検討してください。

 @misc{garza2023timegpt1,
      title={TimeGPT-1},
      author={Azul Garza and Max Mergenthaler-Canseco},
      year={2023},
      eprint={2310.03589},
      archivePrefix={arXiv},
      primaryClass={cs.LG}
}