Загрузка nixtla - Загрузка исходного кода nixtla

nixtla

AI Исходный код

v0.6.3

Скачать

Никстла

ВремяGPT-1

Первая базовая модель для прогнозирования и обнаружения аномалий

TimeGPT — это готовый к производству генеративный предварительно обученный преобразователь временных рядов. Он способен точно прогнозировать различные области, такие как розничная торговля, электричество, финансы и Интернет вещей, с помощью всего лишь нескольких строк кода.

Быстрый старт
Установка
Прогнозирование с помощью TimeGPT
Обнаружение аномалий
Результаты нулевого выстрела
Как цитировать
Особенности и упоминания
Лицензия
Свяжитесь с нами

Быстрый старт

Быстрый стартTGPT.mp4

Установите SDK nixtla

 pip install nixtla >= 0.5 . 1

Импортируйте библиотеки и загружайте данные

 import pandas as pd
from nixtla import NixtlaClient

Прогноз с помощью TimeGPT за 3 простых шага

 # 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 ])

Результаты прогноза

Обнаружение аномалий с помощью TimeGPT за 3 простых шага

 # 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' )

Обнаружение аномалий

? Поддержка API для других языков

Изучите наш справочник по API, чтобы узнать, как использовать TimeGPT на различных языках программирования, включая JavaScript, Go и другие.

Особенности и возможности

Вывод с нулевым выстрелом : TimeGPT может генерировать прогнозы и обнаруживать аномалии прямо из коробки, не требуя никаких предварительных данных обучения. Это обеспечивает немедленное развертывание и быструю аналитику на основе любых данных временных рядов.
Точная настройка . Расширьте возможности TimeGPT за счет точной настройки модели на основе ваших конкретных наборов данных, позволяя модели адаптироваться к нюансам ваших уникальных данных временных рядов и повышая производительность при выполнении индивидуальных задач.
Доступ к API : легко интегрируйте TimeGPT в свои приложения с помощью нашего надежного API. Предстоящая поддержка Azure Studio предоставит еще более гибкие возможности интеграции. Альтернативно вы можете развернуть TimeGPT в своей собственной инфраструктуре, чтобы обеспечить полный контроль над своими данными и рабочими процессами.
Добавьте экзогенные переменные . Включите дополнительные переменные, которые могут повлиять на ваши прогнозы, чтобы повысить точность прогнозов. (Например, особые даты, события или цены)
Прогнозирование нескольких рядов : одновременно прогнозируйте данные нескольких временных рядов, оптимизируя рабочие процессы и ресурсы.
Пользовательская функция потерь : адаптируйте процесс тонкой настройки с помощью пользовательской функции потерь в соответствии с конкретными показателями производительности.
Перекрестная проверка . Внедрите готовые методы перекрестной проверки, чтобы обеспечить надежность и обобщаемость модели.
Интервалы прогнозирования . Укажите интервалы в своих прогнозах для эффективного количественного определения неопределенности.
Нерегулярные временные метки : обработка данных с нерегулярными временными метками с учетом неоднородных интервальных серий без предварительной обработки.

Документация с примерами и вариантами использования

Изучите нашу обширную документацию, чтобы найти примеры и практические варианты использования TimeGPT. Наша документация охватывает широкий спектр тем, в том числе:

Начало работы : начните с нашего удобного руководства по быстрому запуску и узнайте, как легко настроить ключ API.
Продвинутые методы : освойте передовые методы прогнозирования и узнайте, как повысить точность моделей с помощью наших руководств по обнаружению аномалий, точной настройке моделей с использованием конкретных функций потерь и масштабированию вычислений в распределенных средах, таких как Spark, Dask и Ray.
Специализированные темы : изучите специализированные темы, такие как обработка экзогенных переменных, проверка модели посредством перекрестной проверки и стратегии прогнозирования в условиях неопределенности.
Реальные приложения : узнайте, как TimeGPT применяется в реальных сценариях, с помощью тематических исследований по прогнозированию веб-трафика и прогнозированию цен на биткойны.

?️ TimeGPT-1: революция в прогнозировании и обнаружении аномалий

Данные временных рядов имеют решающее значение в различных секторах, включая финансы, здравоохранение, метеорологию и социальные науки. Будь то мониторинг океанских приливов или отслеживание ежедневных значений закрытия индекса Доу-Джонса, данные временных рядов имеют решающее значение для прогнозирования и принятия решений.

Традиционные методы анализа, такие как ARIMA, ETS, MSTL, Theta, CES, модели машинного обучения, такие как XGBoost и LightGBM, а также подходы к глубокому обучению были стандартными инструментами для аналитиков. Однако TimeGPT представляет собой сдвиг парадигмы благодаря своей выдающейся производительности, эффективности и простоте. Благодаря возможности нулевого вывода TimeGPT оптимизирует аналитический процесс, делая его доступным даже для пользователей с минимальным опытом программирования.

TimeGPT удобен для пользователя и требует минимального кода, позволяя пользователям загружать данные временных рядов и либо генерировать прогнозы, либо обнаруживать аномалии с помощью всего лишь одной строки кода. Будучи единственной базовой моделью для анализа временных рядов, TimeGPT можно интегрировать через наши общедоступные API, через Azure Studio (скоро) или развернуть в вашей собственной инфраструктуре.

Архитектура TimeGPT

Внимание к себе, революционная концепция, представленная в статье «Внимание — это все, что вам нужно», лежит в основе этой основополагающей модели. Модель TimeGPT не основана на какой-либо существующей модели большого языка (LLM). Он независимо обучается на обширном наборе данных временных рядов в качестве модели большого преобразователя и спроектирован таким образом, чтобы минимизировать ошибку прогнозирования.

Архитектура состоит из структуры кодера-декодера с несколькими уровнями, каждый из которых имеет остаточные соединения и нормализацию уровней. Наконец, линейный слой сопоставляет выходные данные декодера с размером окна прогнозирования. Общая интуиция заключается в том, что механизмы, основанные на внимании, способны улавливать разнообразие прошлых событий и правильно экстраполировать потенциальное будущее распределение.

Архитектура

Насколько нам известно, TimeGPT обучался на крупнейшей коллекции общедоступных временных рядов, в совокупности охватывающих более 100 миллиардов точек данных. Этот обучающий набор включает временные ряды из широкого спектра областей, включая финансы, экономику, демографию, здравоохранение, погоду, данные датчиков Интернета вещей, энергетику, веб-трафик, продажи, транспорт и банковское дело. Из-за такого разнообразного набора областей набор обучающих данных содержит временные ряды с широким спектром характеристик.

⚡️ Результаты с нулевым выстрелом

Точность:

TimeGPT был протестирован на возможность нулевого вывода на более чем 300 тысячах уникальных серий, что предполагает использование модели без дополнительной тонкой настройки набора тестовых данных. TimeGPT превосходит широкий спектр хорошо зарекомендовавших себя статистических и передовых моделей глубокого обучения, неизменно входя в тройку лучших по производительности на различных частотах.

Простота использования:

TimeGPT также выделяется тем, что предлагает простые и быстрые прогнозы с использованием предварительно обученной модели. Это резко контрастирует с другими моделями, которые обычно требуют обширного процесса обучения и прогнозирования.

Результаты

Эффективность и скорость:

Для нулевого вывода наши внутренние тесты зафиксировали среднюю скорость вывода графического процессора 0,6 миллисекунды на серию для TimeGPT, что почти соответствует скорости простого Seasonal Naive.

Как цитировать?

Если вы считаете, что TimeGPT полезен для вашего исследования, рассмотрите возможность цитирования соответствующей статьи:

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

? Особенности и упоминания

TimeGPT упоминался во многих публикациях и получил признание за свой инновационный подход к прогнозированию временных рядов. Вот некоторые особенности и упоминания:

TimeGPT революционизирует прогнозирование временных рядов
TimeGPT: первая базовая модель для прогнозирования временных рядов
TimeGPT: революция в прогнозировании временных рядов с помощью генеративных моделей
TimeGPT на посту Тьюринга
Презентация TimeGPT на мероприятиях AWS
TimeGPT: машинное обучение для временных рядов стало доступным — подкаст
TimeGPT в обмене данными
Как TimeGPT преобразует прогнозную аналитику с помощью ИИ
TimeGPT: первая базовая модель — прогноз AI Horizon

? Лицензия

TimeGPT имеет закрытый исходный код. Однако этот SDK имеет открытый исходный код и доступен по лицензии Apache 2.0. Не стесняйтесь вносить свой вклад (более подробную информацию можно найти в Руководстве по участию).