Tidsserieanalyse og -prognose: Grundlæggende modeller for dataanalyse og prognose

Tidsserie prognose spiller en vital rolle i afgørende beslutningsprocesser på tværs af forskellige brancher, såsom detailhandel, finans, produktion og sundhedsvesen. Imidlertid har integrationen af avancerede kunstig intelligens-teknikker (AI) i tidsserieprognose været relativt langsom i forhold til domæner som naturlig sprogbehandling og billedegenkendelse. Selvom grundlæggende AI har gjort betydelig fremgang i områder som naturlig sprogbehandling og billedegenkendelse, har dens indvirkning på tidsserieprognose været begrænset, indtil for nylig. Dog er der nu en øget momentum i udviklingen af grundlæggende modeller, der specifikt er tilpasset til tidsserieprognose. Denne artikel vil diskutere det udviklende landskab for grundlæggende AI til tidsserieprognose, hvor vi udforsker de seneste fremskridt i dette domæne.

Tidsserieprognose og Anvendelser

Tidsserie-data henviser til en sekvens af data, der er indsamlet eller registreret i faste tidsintervaller. Denne type data er almindelig på tværs af forskellige domæner, såsom økonomi, vejr, sundhed og mere. Hver datapunkt i en tidsserie er tidsstempel, og sekvensen bruges ofte til at analysere tendenser, mønstre og sæsonvariationer over tid.

Tidsserieprognose indebærer brug af historiske data til at forudsige fremtidige værdier i serien. Det er en kritisk metode i statistik og maskinlæring, der hjælper med at træffe informerede beslutninger baseret på tidligere mønstre. Prognose kan være så enkelt som at projicere den samme vækstrate ind i fremtiden eller så kompleks som at bruge AI-modeller til at forudsige fremtidige tendenser baseret på intrikate mønstre og eksterne faktorer.

Nogle anvendelser af tidsserieprognose er følgende:

• Finansmarkeder: I finans bruges tidsserieprognose til at forudsige aktiepriser, valutakurser og markedsrends. Investorer og analytikere bruger historiske data til at forudsige fremtidige bevægelser og træffe handelsbeslutninger.
• Vejrprognose: Meteorologiske afdelinger bruger tidsserie-data til at forudsige vejrforhold. Ved at analysere tidligere vejrdata forudser de fremtidige vejrmodeller, hvilket hjælper med planlægning og beslutningstagning for landbrug, rejser og katastrofehåndtering.
• Salg og Marketing: Virksomheder bruger tidsserieprognose til at forudsige fremtidige salg, efterspørgsel og forbrugeradfærd. Dette hjælper med lagerstyring, fastsættelse af salgs mål og udvikling af markedsstrategier.
• Energi sektor: Energiselskaber forudser efterspørgsel og tilbud for at optimere produktion og distribution. Tidsserieprognose hjælper med at forudsige energiforbrugs mønstre, hvilket muliggør effektiv energistyring og planlægning.
• Sundhedssektor: I sundhedssektoren bruges tidsserieprognose til at forudsige sygdomsudbrud, patientindlæggelser og medicinske lagerkrav. Dette hjælper med sundhedsplanlægning, ressourceallokering og politikudvikling.

Grundlæggende Tidsserie Modeller

Grundlæggende AI-modeller er omfattende, forudtrænede modeller, der danner grundlag for forskellige kunstig intelligens-applikationer. De trænes på store og diverse datasæt, hvilket giver dem evnen til at opdage mønstre, forbindelser og strukturer inden for data. Begrebet “grundlæggende” refererer til deres evne til at blive fintuned eller ændret for opgaver eller domæner med minimal yderligere træning. I sammenhæng med tidsserieprognose konstrueres disse modeller på samme måde som store sprogmodeller (LLM’er), ved hjælp af transformatorarkitekturer. Ligesom LLM’er trænes de til at forudsige den efterfølgende eller manglende element i en datasekvens. Dog, i modsætning til LLM’er, der behandler tekst som underordnede gennem transformatorlag, behandler grundlæggende tidsserie-modeller sekvenser af kontinuerte tidspunkter som tokens, hvilket giver dem mulighed for at sekventielt behandle tidsserie-data.

For nylig er forskellige grundlæggende modeller udviklet til tidsserie-data. Med bedre forståelse og valg af den rette grundlæggende model kan vi mere effektivt og effektivt udnytte deres kapaciteter. I de følgende afsnit vil vi udforske de forskellige grundlæggende modeller, der er tilgængelige for tidsserie-data-analyse.

• TimesFM: Udviklet af Google Research, er TimesFM en decoder-only grundlæggende model med 200 millioner parametre. Modellen er trænet på en datasæt på 100 milliarder virkelige tidspunkter, der omfatter både syntetiske og faktiske data fra forskellige kilder, såsom Google Trends og Wikipedia Pageviews. TimesFM er i stand til zero-shot-prognose i flere sektorer, herunder detailhandel, finans, produktion, sundhedssektor og naturvidenskab, på tværs af forskellige tidsgranulariteter. Google har til hensigt at udgive TimesFM på sin Google Cloud Vertex AI-platform, hvilket giver dens avancerede prognosefunktioner til eksterne kunder.
• Lag-Llama: Skabt af forskere fra Université de Montréal, Mila-Québec AI Institute og McGill University, er Lag-Llama en grundlæggende model designet til univariat probabilistisk tidsserieprognose. Bygget på grundlag af Llama, anvender modellen en decoder-only transformatorarkitektur, der bruger variable størrelser tidsforsinkelse og tidsopløsning til prognose. Modellen er trænet på diverse tidsserie-datasæt fra flere kilder på tværs af seks forskellige grupper, herunder energi, transport, økonomi, natur, luftkvalitet og skyoperationer. Modellen er tilgængelig gennem Huggingface-biblioteket.
• Moirai: Udviklet af Salesforce AI Research, er Moirai en grundlæggende tidsserie-model designet til universal prognose. Moirai er trænet på Large-scale Open Time Series Archive (LOTSA)-datasættet, der indeholder 27 milliarder observationer fra ni forskellige domæner, hvilket gør det til den største samling af åbne tidsserie-datasæt. Dette diverse datasæt giver Moirai mulighed for at lære fra en bred vifte af tidsserie-data, hvilket giver den mulighed for at håndtere forskellige prognoseopgaver. Moirai anvender multiple patch-størrelse-projektionslag til at fange tidsmønstre på tværs af forskellige frekvenser. En vigtig aspekt af Moirai er at bruge en variabel attention-mekanisme, der giver mulighed for prognose på tværs af ethvert antal variabler. Koden, modelvægter og data relateret til Moirai er tilgængelige i GitHub-repositoriet kaldet “uni2ts“

• Chronos: Udviklet af Amazon , er Chronos en samling af forudtrænede probabilistiske modeller til tidsserieprognose. Bygget på T5-transformatorarkitekturen, anvender modellerne en vokabular på 4096 tokens og har varierende parametre, der spænder fra 8 millioner til 710 millioner. Chronos adskiller sig fra TimesFM, da det er en encoder-decoder-model, der giver mulighed for at trække encoder-embedding fra tidsserie-data. Chronos kan let integreres i en Python-miljø og tilgås via sin API.

• Moment: Udviklet i samarbejde mellem Carnegie Mellon University og University of Pennsylvania, er Moment en familie af åbne grundlæggende tidsserie-modeller. Den anvender variationer af T5-arkitekturer, herunder små, basis og store versioner, hvor basis-modellen inkorporerer ca. 125 millioner parametre. Modellen undergår forudtræning på den omfattende “Time-series Pile”, en divers samling af offentlige tidsserie-data, der spænder på tværs af forskellige domæner. I modsætning til mange andre grundlæggende modeller, er Moment forudtrænet på et bredt spektrum af opgaver, hvilket forbedrer dets effektivitet i applikationer såsom prognose, klassifikation, anomalidetektion og imputation. Den komplette Python-repository og Jupyter-notebook-kode er offentligt tilgængelige for at anvende modellen.

Det Endelige Budskab

Tidsserieprognose er et afgørende værktøj på tværs af forskellige domæner, fra finans til sundhedssektor, og giver mulighed for at træffe informerede beslutninger baseret på historiske mønstre. Avancerede grundlæggende modeller som TimesFM, Chronos, Moment, Lag-Llama og Moirai tilbyder avancerede kapaciteter, der udnytter transformatorarkitekturer og diverse træningsdatasæt for præcis prognose og analyse. Disse modeller giver et glimt ind i fremtiden for tidsserie-analyse, og giver virksomheder og forskere kraftfulde værktøjer til at navigere komplekse data-landskaber effektivt. Jeg tilbyder avancerede kapaciteter, der udnytter transformer-arkitekturer og diverse træningsdatasæt for præcis prognose og analyse. Disse modeller giver et glimt ind i fremtiden for tidsserie-analyse, og giver virksomheder og forskere kraftfulde værktøjer til at navigere komplekse data-landskaber effektivt.