nixtla
v0.6.3
TimeGPT เป็นหม้อแปลงไฟฟ้าที่ได้รับการฝึกฝนแบบเจนเนอเรชั่นพร้อมสำหรับการผลิตสำหรับอนุกรมเวลา สามารถคาดการณ์โดเมนต่างๆ ได้อย่างแม่นยำ เช่น การค้าปลีก ไฟฟ้า การเงิน และ IoT ด้วยโค้ดเพียงไม่กี่บรรทัด
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' )
สำรวจการอ้างอิง API ของเราเพื่อค้นหาวิธีใช้ประโยชน์จาก TimeGPT ในภาษาการเขียนโปรแกรมต่างๆ รวมถึง JavaScript, Go และอื่นๆ
การอนุมานแบบ Zero-shot : TimeGPT สามารถสร้างการคาดการณ์และตรวจจับความผิดปกติได้ทันที โดยไม่ต้องใช้ข้อมูลการฝึกอบรมล่วงหน้า ซึ่งช่วยให้ปรับใช้ได้ทันทีและได้รับข้อมูลเชิงลึกอย่างรวดเร็วจากข้อมูลอนุกรมเวลาใดๆ
การปรับแต่งอย่างละเอียด : เพิ่มขีดความสามารถของ TimeGPT โดยการปรับแต่งโมเดลบนชุดข้อมูลเฉพาะของคุณ ทำให้โมเดลสามารถปรับให้เข้ากับความแตกต่างของข้อมูลอนุกรมเวลาที่ไม่ซ้ำกันของคุณ และปรับปรุงประสิทธิภาพในงานที่ได้รับการปรับแต่ง
การเข้าถึง API : ผสานรวม TimeGPT เข้ากับแอปพลิเคชันของคุณได้อย่างราบรื่นผ่าน API ที่แข็งแกร่งของเรา การสนับสนุนที่กำลังจะมีขึ้นสำหรับ Azure Studio จะให้ตัวเลือกการรวมที่ยืดหยุ่นยิ่งขึ้น หรือปรับใช้ TimeGPT บนโครงสร้างพื้นฐานของคุณเองเพื่อรักษาการควบคุมข้อมูลและเวิร์กโฟลว์ของคุณอย่างสมบูรณ์
เพิ่มตัวแปรภายนอก : รวมตัวแปรเพิ่มเติมที่อาจส่งผลต่อการคาดการณ์ของคุณเพื่อเพิ่มความแม่นยำในการพยากรณ์ (เช่น วันพิเศษ กิจกรรม หรือราคา)
การพยากรณ์แบบหลายอนุกรม : คาดการณ์ข้อมูลอนุกรมเวลาหลายชุดพร้อมกัน เพิ่มประสิทธิภาพเวิร์กโฟลว์และทรัพยากร
ฟังก์ชันการสูญเสียแบบกำหนดเอง : ปรับแต่งกระบวนการปรับแต่งอย่างละเอียดด้วยฟังก์ชันการสูญเสียแบบกำหนดเองเพื่อให้ตรงตามตัวชี้วัดประสิทธิภาพเฉพาะ
การตรวจสอบข้าม : นำเทคนิคการตรวจสอบความถูกต้องข้ามกล่องมาใช้เพื่อให้แน่ใจว่าแบบจำลองมีความทนทานและมีลักษณะทั่วไป
ช่วงการคาดการณ์ : ระบุช่วงเวลาในการทำนายของคุณเพื่อระบุปริมาณความไม่แน่นอนอย่างมีประสิทธิภาพ
การประทับเวลาไม่สม่ำเสมอ : จัดการข้อมูลที่มีการประทับเวลาไม่สม่ำเสมอ รองรับอนุกรมช่วงเวลาที่ไม่สม่ำเสมอโดยไม่ต้องประมวลผลล่วงหน้า
เจาะลึกเอกสารที่ครอบคลุมของเราเพื่อค้นหาตัวอย่างและกรณีการใช้งานจริงสำหรับ TimeGPT เอกสารของเราครอบคลุมหัวข้อต่างๆ มากมาย รวมไปถึง:
เริ่มต้นใช้งาน : เริ่มต้นด้วยคู่มือเริ่มต้นใช้งานด่วนที่เป็นมิตรต่อผู้ใช้ของเรา และเรียนรู้วิธีตั้งค่าคีย์ API ของคุณอย่างง่ายดาย
เทคนิคขั้นสูง : ฝึกฝนวิธีการพยากรณ์ขั้นสูงและเรียนรู้วิธีปรับปรุงความแม่นยำของโมเดลด้วยบทช่วยสอนของเราเกี่ยวกับการตรวจจับความผิดปกติ การปรับแต่งโมเดลอย่างละเอียดโดยใช้ฟังก์ชันการสูญเสียเฉพาะ และการปรับขนาดการคำนวณในเฟรมเวิร์กแบบกระจาย เช่น Spark, Dask และ Ray
หัวข้อเฉพาะทาง : สำรวจหัวข้อเฉพาะทาง เช่น การจัดการกับตัวแปรภายนอก การตรวจสอบความถูกต้องของแบบจำลองผ่านการตรวจสอบความถูกต้องข้าม และกลยุทธ์สำหรับการพยากรณ์ภายใต้ความไม่แน่นอน
แอปพลิเคชันในโลกแห่งความเป็นจริง : ค้นพบวิธีการนำ TimeGPT ไปใช้ในสถานการณ์จริงผ่านกรณีศึกษาเกี่ยวกับการคาดการณ์ปริมาณการใช้เว็บและการทำนายราคา Bitcoin
ข้อมูลอนุกรมเวลาเป็นส่วนสำคัญของภาคส่วนต่างๆ รวมถึงการเงิน การดูแลสุขภาพ อุตุนิยมวิทยา และสังคมศาสตร์ ไม่ว่าจะเป็นการติดตามกระแสน้ำในมหาสมุทรหรือการติดตามค่าปิดรายวันของ Dow Jones ข้อมูลอนุกรมเวลามีความสำคัญอย่างยิ่งต่อการคาดการณ์และการตัดสินใจ
วิธีการวิเคราะห์แบบดั้งเดิม เช่น ARIMA, ETS, MSTL, Theta, CES, โมเดลการเรียนรู้ของเครื่อง เช่น XGBoost และ LightGBM และวิธีการเรียนรู้เชิงลึกเป็นเครื่องมือมาตรฐานสำหรับนักวิเคราะห์ อย่างไรก็ตาม TimeGPT นำเสนอการปรับเปลี่ยนกระบวนทัศน์ด้วยประสิทธิภาพ ประสิทธิผล และความเรียบง่ายที่โดดเด่น ด้วยความสามารถในการอนุมานแบบ Zero-shot ทำให้ TimeGPT ปรับปรุงกระบวนการวิเคราะห์ ทำให้สามารถเข้าถึงได้แม้กับผู้ใช้ที่มีประสบการณ์การเขียนโค้ดเพียงเล็กน้อยก็ตาม
TimeGPT ใช้งานง่ายและใช้โค้ดเพียงเล็กน้อย ทำให้ผู้ใช้สามารถอัปโหลดข้อมูลอนุกรมเวลาและสร้างการคาดการณ์หรือตรวจจับความผิดปกติด้วยโค้ดเพียงบรรทัดเดียว เนื่องจากเป็นโมเดลพื้นฐานเดียวสำหรับการวิเคราะห์อนุกรมเวลานอกกรอบ TimeGPT จึงสามารถผสานรวมผ่าน API สาธารณะของเรา ผ่าน Azure Studio (เร็วๆ นี้) หรือปรับใช้บนโครงสร้างพื้นฐานของคุณเอง
การเอาใจใส่ตนเอง ซึ่งเป็นแนวคิดปฏิวัติที่นำเสนอในรายงาน "ความสนใจคือสิ่งที่คุณต้องการ" เป็นพื้นฐานของแบบจำลองพื้นฐานนี้ โมเดล TimeGPT ไม่ได้อิงตามโมเดลภาษาขนาดใหญ่ (LLM) ที่มีอยู่ ได้รับการฝึกฝนอย่างอิสระเกี่ยวกับชุดข้อมูลอนุกรมเวลาขนาดใหญ่ให้เป็นโมเดลหม้อแปลงขนาดใหญ่ และได้รับการออกแบบเพื่อลดข้อผิดพลาดในการคาดการณ์ให้เหลือน้อยที่สุด
สถาปัตยกรรมประกอบด้วยโครงสร้างตัวเข้ารหัส-ตัวถอดรหัสที่มีหลายเลเยอร์ โดยแต่ละเลเยอร์มีการเชื่อมต่อที่เหลือและการทำให้เลเยอร์เป็นมาตรฐาน สุดท้าย เลเยอร์เชิงเส้นจะจับคู่เอาต์พุตของตัวถอดรหัสกับมิติหน้าต่างการคาดการณ์ สัญชาตญาณทั่วไปคือกลไกที่อิงความสนใจสามารถจับความหลากหลายของเหตุการณ์ในอดีตและคาดการณ์การกระจายตัวที่อาจเกิดขึ้นในอนาคตได้อย่างถูกต้อง
ตามความรู้ของเรา TimeGPT ได้รับการฝึกอบรมเกี่ยวกับคอลเลกชันอนุกรมเวลาที่ใหญ่ที่สุดที่เปิดเผยต่อสาธารณะ ซึ่งรวบรวมจุดข้อมูลมากกว่า 1 แสนล้านจุด ชุดการฝึกอบรมนี้รวมอนุกรมเวลาจากโดเมนที่หลากหลาย รวมถึงการเงิน เศรษฐศาสตร์ ข้อมูลประชากร การดูแลสุขภาพ สภาพอากาศ ข้อมูลเซ็นเซอร์ IoT พลังงาน การเข้าชมเว็บไซต์ การขาย การขนส่ง และการธนาคาร เนื่องจากชุดโดเมนที่หลากหลาย ชุดข้อมูลการฝึกอบรมจึงมีอนุกรมเวลาที่มีคุณสมบัติหลากหลาย
TimeGPT ได้รับการทดสอบความสามารถในการอนุมานแบบ Zero-shot บนซีรีส์ที่ไม่ซ้ำกันมากกว่า 300,000 ซีรีส์ ซึ่งเกี่ยวข้องกับการใช้แบบจำลองโดยไม่ต้องปรับแต่งชุดข้อมูลทดสอบเพิ่มเติม TimeGPT มีประสิทธิภาพเหนือกว่าโมเดลการเรียนรู้เชิงลึกทางสถิติและล้ำสมัยที่ครอบคลุมหลากหลายรูปแบบ โดยได้รับการจัดอันดับให้เป็นหนึ่งในสามที่มีประสิทธิภาพสูงสุดในความถี่ต่างๆ อย่างต่อเนื่อง
นอกจากนี้ TimeGPT ยังโดดเด่นด้วยการนำเสนอการคาดการณ์ที่ง่ายและรวดเร็วโดยใช้แบบจำลองที่ผ่านการฝึกอบรมมาแล้ว สิ่งนี้แตกต่างอย่างสิ้นเชิงกับรุ่นอื่นๆ ที่โดยปกติแล้วต้องใช้ขั้นตอนการฝึกอบรมและการทำนายที่กว้างขวาง
สำหรับการอนุมานแบบซีโร่ช็อต การทดสอบภายในของเราจะบันทึกความเร็วอนุมาน GPU เฉลี่ยที่ 0.6 มิลลิวินาทีต่อซีรีส์สำหรับ TimeGPT ซึ่งเกือบจะสะท้อนความเร็วของ Seasonal Naive แบบธรรมดา
หากคุณพบว่า TimeGPT มีประโยชน์สำหรับการวิจัยของคุณ โปรดพิจารณาอ้างอิงบทความที่เกี่ยวข้อง:
@misc{garza2023timegpt1,
title={TimeGPT-1},
author={Azul Garza and Max Mergenthaler-Canseco},
year={2023},
eprint={2310.03589},
archivePrefix={arXiv},
primaryClass={cs.LG}
}
TimeGPT ได้รับการนำเสนอในสื่อสิ่งพิมพ์หลายฉบับ และได้รับการยอมรับในด้านแนวทางที่เป็นนวัตกรรมในการพยากรณ์อนุกรมเวลา นี่คือคุณสมบัติและการกล่าวถึงบางส่วน:
TimeGPT เป็นแหล่งปิด อย่างไรก็ตาม SDK นี้เป็นโอเพ่นซอร์สและพร้อมใช้งานภายใต้สิทธิ์การใช้งาน Apache 2.0 รู้สึกอิสระที่จะมีส่วนร่วม (ดูคู่มือการสนับสนุนสำหรับรายละเอียดเพิ่มเติม)
หากมีคำถามหรือข้อเสนอแนะ โปรดติดต่อเราที่ ops [at] nixtla.io
