nixtla
v0.6.3
TimeGPT é um transformador pré-treinado generativo e pronto para produção para séries temporais. Ele é capaz de prever com precisão vários domínios, como varejo, eletricidade, finanças e IoT, com apenas algumas linhas 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 nossa referência de API para descobrir como aproveitar o TimeGPT em várias linguagens de programação, incluindo JavaScript, Go e muito mais.
Inferência zero-shot : O TimeGPT pode gerar previsões e detectar anomalias imediatamente, sem exigir dados de treinamento prévio. Isso permite implantação imediata e insights rápidos de quaisquer dados de série temporal.
Ajuste fino : aprimore os recursos do TimeGPT ajustando o modelo em seus conjuntos de dados específicos, permitindo que o modelo se adapte às nuances de seus dados de série temporal exclusivos e melhorando o desempenho em tarefas personalizadas.
Acesso à API : integre o TimeGPT perfeitamente aos seus aplicativos por meio de nossa API robusta. O próximo suporte para o Azure Studio fornecerá opções de integração ainda mais flexíveis. Como alternativa, implante o TimeGPT em sua própria infraestrutura para manter controle total sobre seus dados e fluxos de trabalho.
Adicione variáveis exógenas : incorpore variáveis adicionais que possam influenciar suas previsões para melhorar a precisão das previsões. (Ex: datas especiais, eventos ou preços)
Previsão de múltiplas séries : preveja simultaneamente vários dados de séries temporais, otimizando fluxos de trabalho e recursos.
Função de perda personalizada : personalize o processo de ajuste fino com uma função de perda personalizada para atender a métricas de desempenho específicas.
Validação cruzada : implemente técnicas de validação cruzada prontas para uso para garantir robustez e generalização do modelo.
Intervalos de previsão : forneça intervalos em suas previsões para quantificar a incerteza de maneira eficaz.
Carimbos de data e hora irregulares : trata dados com carimbos de data e hora irregulares, acomodando séries de intervalos não uniformes sem pré-processamento.
Mergulhe em nossa documentação abrangente para descobrir exemplos e casos de uso práticos do TimeGPT. Nossa documentação cobre uma ampla variedade de tópicos, incluindo:
Primeiros passos : comece com nosso Guia de início rápido fácil de usar e aprenda como configurar sua chave de API sem esforço.
Técnicas avançadas : domine métodos avançados de previsão e aprenda como melhorar a precisão do modelo com nossos tutoriais sobre detecção de anomalias, ajuste fino de modelos usando funções de perda específicas e dimensionamento de cálculos em estruturas distribuídas, como Spark, Dask e Ray.
Tópicos especializados : explore tópicos especializados como tratamento de variáveis exógenas, validação de modelo por meio de validação cruzada e estratégias para previsão sob incerteza.
Aplicações do mundo real : descubra como o TimeGPT é aplicado em cenários do mundo real por meio de estudos de caso sobre previsão de tráfego da web e previsão de preços de Bitcoin.
Os dados de séries temporais são essenciais em vários setores, incluindo finanças, saúde, meteorologia e ciências sociais. Seja monitorando as marés oceânicas ou acompanhando os valores de fechamento diário do Dow Jones, os dados de séries temporais são cruciais para previsões e tomadas de decisões.
Métodos de análise tradicionais como ARIMA, ETS, MSTL, Theta, CES, modelos de aprendizado de máquina como XGBoost e LightGBM e abordagens de aprendizado profundo têm sido ferramentas padrão para analistas. No entanto, o TimeGPT introduz uma mudança de paradigma com seu excelente desempenho, eficiência e simplicidade. Graças à sua capacidade de inferência zero-shot, o TimeGPT agiliza o processo analítico, tornando-o acessível até mesmo para usuários com experiência mínima em codificação.
TimeGPT é fácil de usar e de baixo código, permitindo que os usuários carreguem seus dados de série temporal e gerem previsões ou detectem anomalias com apenas uma única linha de código. Como o único modelo básico para análise de série temporal pronto para uso, o TimeGPT pode ser integrado por meio de nossas APIs públicas, por meio do Azure Studio (em breve) ou implantado em sua própria infraestrutura.
A autoatenção, o conceito revolucionário introduzido pelo artigo “Atenção é tudo que você precisa”, é a base deste modelo fundamental. O modelo TimeGPT não é baseado em nenhum modelo de linguagem grande (LLMs) existente. Ele é treinado de forma independente em um vasto conjunto de dados de séries temporais como um grande modelo de transformador e é projetado de forma a minimizar o erro de previsão.
A arquitetura consiste em uma estrutura codificador-decodificador com múltiplas camadas, cada uma com conexões residuais e normalização de camadas. Finalmente, uma camada linear mapeia a saída do decodificador para a dimensão da janela de previsão. A intuição geral é que os mecanismos baseados na atenção são capazes de capturar a diversidade de eventos passados e extrapolar corretamente potenciais distribuições futuras.
O TimeGPT foi treinado, até onde sabemos, na maior coleção de séries temporais disponíveis publicamente, abrangendo coletivamente mais de 100 bilhões de pontos de dados. Este conjunto de treinamento incorpora séries temporais de uma ampla gama de domínios, incluindo finanças, economia, demografia, saúde, clima, dados de sensores IoT, energia, tráfego na web, vendas, transporte e serviços bancários. Devido a este conjunto diversificado de domínios, o conjunto de dados de treinamento contém séries temporais com uma ampla gama de características
O TimeGPT foi testado por seus recursos de inferência zero-shot em mais de 300 mil séries exclusivas, que envolvem o uso do modelo sem ajuste adicional no conjunto de dados de teste. O TimeGPT supera uma gama abrangente de modelos estatísticos bem estabelecidos e de aprendizagem profunda de ponta, classificando-se consistentemente entre os três melhores desempenhos em várias frequências.
O TimeGPT também se destaca por oferecer previsões simples e rápidas usando um modelo pré-treinado. Isso contrasta fortemente com outros modelos que normalmente exigem um extenso pipeline de treinamento e previsão.
Para inferência zero-shot, nossos testes internos registraram uma velocidade média de inferência de GPU de 0,6 milissegundos por série para TimeGPT, o que quase reflete a do simples Seasonal Naive.
Se você achar o TimeGPT útil para sua pesquisa, considere citar o artigo associado:
@misc{garza2023timegpt1,
title={TimeGPT-1},
author={Azul Garza and Max Mergenthaler-Canseco},
year={2023},
eprint={2310.03589},
archivePrefix={arXiv},
primaryClass={cs.LG}
}
O TimeGPT foi apresentado em muitas publicações e foi reconhecido por sua abordagem inovadora à previsão de séries temporais. Aqui estão alguns dos recursos e menções:
TimeGPT é um código fechado. No entanto, este SDK é de código aberto e está disponível sob a licença Apache 2.0. Sinta-se à vontade para contribuir (confira o guia de contribuição para mais detalhes).
Para qualquer dúvida ou feedback, sinta-se à vontade para entrar em contato conosco em ops [at] nixtla.io.
