El auge de los modelos de series temporales de base para el análisis y la predicción de datos

La predicción de series temporales juega un papel vital en los procesos de toma de decisiones cruciales en diversas industrias, como la minorista, las finanzas, la fabricación y la atención médica. Sin embargo, en comparación con dominios como el procesamiento de lenguaje natural y el reconocimiento de imágenes, la integración de técnicas de inteligencia artificial (IA) avanzadas en la predicción de series temporales ha sido relativamente lenta. Aunque los modelos de base de IA han hecho un progreso significativo en áreas como el procesamiento de lenguaje natural y el reconocimiento de imágenes, su impacto en la predicción de series temporales ha sido limitado hasta hace poco. Sin embargo, ahora hay un impulso creciente en el desarrollo de modelos de base específicamente diseñados para la predicción de series temporales. Este artículo discutirá el panorama en evolución de los modelos de base de IA para la predicción de series temporales, explorando los avances recientes en este dominio.

Predicción de series temporales y aplicaciones

Los datos de series temporales se refieren a una secuencia de puntos de datos recopilados o registrados a intervalos de tiempo regulares. Este tipo de datos es prevalente en diversos dominios, como la economía, el clima, la salud y más. Cada punto de datos en una serie temporal está fechado y la secuencia se utiliza a menudo para analizar tendencias, patrones y variaciones estacionales a lo largo del tiempo.

La predicción de series temporales implica el uso de datos históricos para predecir valores futuros en la serie. Es un método crítico en estadística y aprendizaje automático que ayuda a tomar decisiones informadas basadas en patrones pasados. La predicción puede ser tan simple como proyectar la misma tasa de crecimiento en el futuro o tan compleja como utilizar modelos de IA para predecir tendencias futuras basadas en patrones intrincados y factores externos.

Algunas aplicaciones de la predicción de series temporales son las siguientes:

• Mercados financieros: En las finanzas, la predicción de series temporales se utiliza para predecir los precios de las acciones, los tipos de cambio y las tendencias del mercado. Los inversores y analistas utilizan datos históricos para predecir movimientos futuros y tomar decisiones de trading.
• Predicción del clima: Los departamentos meteorológicos utilizan datos de series temporales para predecir las condiciones climáticas. Al analizar los datos climáticos pasados, predicen los patrones climáticos futuros, lo que ayuda en la planificación y la toma de decisiones para la agricultura, el viaje y la gestión de desastres.
• Ventas y marketing: Las empresas utilizan la predicción de series temporales para predecir las ventas futuras, la demanda y el comportamiento del consumidor. Esto ayuda en la gestión de inventario, la fijación de objetivos de ventas y el desarrollo de estrategias de marketing.
• Sector energético: Las empresas de energía predicen la demanda y la oferta para optimizar la producción y la distribución. La predicción de series temporales ayuda a predecir los patrones de consumo de energía, lo que permite una gestión de energía eficiente y una planificación efectiva.
• Atención médica: En el sector de la salud, la predicción de series temporales se utiliza para predecir los brotes de enfermedades, las admisiones de pacientes y los requisitos de inventario médico. Esto ayuda en la planificación de la atención médica, la asignación de recursos y la elaboración de políticas.

Modelos de series temporales de base

Los modelos de base de IA son modelos extensos y preentrenados que forman la base para diversas aplicaciones de inteligencia artificial. Se entrenan en grandes y diversos conjuntos de datos, lo que les permite discernir patrones, conexiones y estructuras dentro de los datos. El término “de base” se refiere a su capacidad para ser afinados o modificados para tareas o dominios con un entrenamiento adicional mínimo. En el contexto de la predicción de series temporales, estos modelos se construyen de manera similar a los modelos de lenguaje grandes (LLM), utilizando arquitecturas de transformadores. Al igual que los LLM, se entrenan para predecir el elemento siguiente o faltante en una secuencia de datos. Sin embargo, a diferencia de los LLM, que procesan el texto como subpalabras a través de capas de transformadores, los modelos de series temporales de base tratan las secuencias de puntos de tiempo continuos como tokens, lo que les permite procesar secuencias de series temporales de manera secuencial.

Recientemente, se han desarrollado varios modelos de base para datos de series temporales. Con una mejor comprensión y elección del modelo de base adecuado, podemos aprovechar sus capacidades de manera más efectiva y eficiente. En las secciones siguientes, exploraremos los diferentes modelos de base disponibles para el análisis de datos de series temporales.

• TimesFM: Desarrollado por Google (GOOGL ) Research, TimesFM es un modelo de base decodificador-only con 200 millones de parámetros. El modelo se entrena en un conjunto de datos de 100 mil millones de puntos de tiempo del mundo real, que abarca tanto datos sintéticos como reales de diversas fuentes, como Google Trends y Wikipedia Pageviews. TimesFM es capaz de predicción de cero disparos en múltiples sectores, incluyendo la minorista, las finanzas, la fabricación, la atención médica y las ciencias naturales, en diferentes granularidades de tiempo. Google tiene la intención de lanzar TimesFM en su plataforma Google Cloud Vertex AI, brindando sus características de predicción sofisticadas a clientes externos.
• Lag-Llama: Creado por investigadores de la Universidad de Montreal, el Instituto de IA de Mila-Quebec y la Universidad de McGill, Lag-Llama es un modelo de base diseñado para la predicción de series temporales univariadas probabilísticas. Construido sobre la base del modelo Llama, el modelo utiliza una arquitectura de transformador decodificador-only que utiliza tamaños de retraso y resoluciones de tiempo variables para la predicción. El modelo se entrena en conjuntos de datos de series temporales diversos de varias fuentes en seis grupos diferentes, incluyendo energía, transporte, economía, naturaleza, calidad del aire y operaciones en la nube. El modelo está convenientemente accesible a través de la biblioteca Huggingface.
• Moirai: Desarrollado por Salesforce (CRM ) AI Research, Moirai es un modelo de base de series temporales diseñado para la predicción universal. Moirai se entrena en el conjunto de datos de la gran archivo de series temporales abiertas (LOTSA), que contiene 27 mil millones de observaciones de nueve dominios distintos, lo que lo convierte en la mayor colección de conjuntos de datos de series temporales abiertos. Este conjunto de datos diverso permite a Moirai aprender de una amplia gama de datos de series temporales, lo que le permite manejar diferentes tareas de predicción. Moirai utiliza múltiples capas de proyección de tamaño de parche para capturar patrones temporales en diferentes frecuencias. Un aspecto importante de Moirai es el uso de un mecanismo de atención de cualquier variable, lo que permite predicciones en cualquier número de variables. El código, los pesos del modelo y los datos asociados con Moirai están disponibles en el repositorio de GitHub llamado “uni2ts“

• Chronos: Desarrollado por Amazon (AMZN ), Chronos es una colección de modelos de predicción de series temporales preentrenados y probabilísticos. Construido sobre la arquitectura de transformador T5, los modelos utilizan un vocabulario de 4096 tokens y tienen parámetros variables, que van desde 8 millones hasta 710 millones. Chronos se preentrena en una gran cantidad de datos públicos y sintéticos generados a partir de procesos gaussianos. Chronos difiere de TimesFM en que es un modelo codificador-decodificador, lo que permite la extracción de incrustaciones del codificador de los datos de series temporales. Chronos se puede integrar fácilmente en un entorno de Python y se puede acceder a través de su API.

• Moment: Desarrollado en colaboración por la Universidad Carnegie Mellon y la Universidad de Pensilvania, Moment es una familia de modelos de base de series temporales de código abierto. Utiliza variaciones de arquitecturas T5, incluyendo versiones pequeñas, base y grandes, con el modelo base que incorpora aproximadamente 125 millones de parámetros. El modelo se preentrena en la extensa “Pila de series temporales”, una colección diversa de datos de series temporales públicos que abarcan varios dominios. A diferencia de muchos otros modelos de base, Moment se preentrena en una amplia gama de tareas, lo que mejora su eficacia en aplicaciones como la predicción, la clasificación, la detección de anomalías y la imputación. El repositorio de Python completo y el código de la libreta de Jupyter están públicamente disponibles para utilizar el modelo.

En resumen

La predicción de series temporales es una herramienta crucial en diversos dominios, desde las finanzas hasta la atención médica, lo que permite la toma de decisiones informadas basadas en patrones históricos. Modelos de base avanzados como TimesFM, Chronos, Moment, Lag-Llama y Moirai ofrecen capacidades sofisticadas, aprovechando arquitecturas de transformadores y conjuntos de datos de entrenamiento diversos para una predicción y análisis precisos. Estos modelos proporcionan una visión del futuro del análisis de series temporales, dotando a las empresas y los investigadores de herramientas poderosas para navegar paisajes de datos complejos de manera efectiva. i ofrezco capacidades sofisticadas, aprovechando arquitecturas de transformadores y conjuntos de datos de entrenamiento diversos para una predicción y análisis precisos. Estos modelos proporcionan una visión del futuro del análisis de series temporales, dotando a las empresas y los investigadores de herramientas poderosas para navegar paisajes de datos complejos de manera efectiva.