Ajan sarja -ennustemallien nousu data-analytiikassa ja -ennustamisessa

Aikasarja ennustaminen on tärkeä osa päätöksentekoprosesseja monilla aloilla, kuten vähittäiskaupassa, rahoituksessa, valmistuksessa ja terveydenhuollossa. Kuitenkin verrattuna aloihin kuten luonnollinen kielen prosessointi ja kuva tunnistus, edistyneiden tekoälytekniikoiden integrointi aikasarjaennustamiseen on ollut suhteellisen hidasta. Vaikka perusmalli on tehnyt merkittävää edistystä aloilla kuten luonnollinen kielen prosessointi ja kuva tunnistus, sen vaikutus aikasarjaennustamiseen on ollut rajoitettu vasta hiljattain. Kuitenkin on nyt kasvava liike perusmallien kehittämisessä, jotka on suunniteltu erityisesti aikasarjaennustamiseen. Tämä artikkeli tarkastelee perusmallien kehittyvää maisemaa aikasarjaennustamisessa, tutkien viimeaikaisia edistysaskelia tässä alalla.

Aikasarjaennustaminen ja sovellukset

Aikasarja tarkoittaa tietopisteiden jonoa, jotka on kerätty tai tallennettu säännöllisin väliajoin. Tämän tyyppinen data on yleinen monilla aloilla, kuten taloudessa, säässä, terveydessä ja muilla. Jokainen tietopiste aikasarjassa on aikaleimattu, ja jonoa käytetään usein analysoimaan trendejä, malleja ja vuodenaikaisia vaihteluita ajassa.

Aikasarjaennustaminen tarkoittaa historiallisten tietojen käyttämistä tulevien arvojen ennustamiseen sarjassa. Se on tärkeä menetelmä tilastojen ja koneoppimisen alalla, joka auttaa tekevän perustuvia päätöksiä menneiden mallien perusteella. Ennustaminen voi olla yhtä yksinkertaista kuin saman kasvuvauhdin ennustaminen tulevaisuuteen tai yhtä monimutkaista kuin tekoälymallien käyttäminen tulevien trendien ennustamiseen perustuen monimutkaisiin malleihin ja ulkoisiin tekijöihin.

Jotkut aikasarjaennustamisen sovellukset ovat seuraavat:

• Rahoitusmarkkinat: Rahoituksessa aikasarjaennustaminen käytetään ennustamaan osakekurssit, vaihtokurssit ja markkinatrendit. Sijoittajat ja analyytikot käyttävät historiallista dataa ennustamaan tulevia liikkeitä ja tekemään kaupankäyntipäätöksiä.
• Sääennustus: Meteorologiset virastot käyttävät aikasarja dataa ennustamaan sääolosuhteita. Analysoimalla menneitä säädataa, he ennustavat tulevia säämalleja, auttaen suunnittelussa ja päätöksenteossa maataloudessa, matkailussa ja onnettomuuden hallinnassa.
• Myynti ja markkinointi: Yritykset käyttävät aikasarjaennustamista ennustamaan tulevia myyntejä, kysyntää ja kuluttajakäyttäytymistä. Tämä auttaa varastojen hallinnassa, myyntitavoitteiden asettamisessa ja markkinointistrategioiden kehittämisessä.
• Energia-ala: Energia-yritykset ennustavat kysyntää ja tarjontaa optimoidakseen tuotannon ja jakelun. Aikasarjaennustaminen auttaa ennustamaan energian kulutusmalleja, mahdollistaen tehokkaan energian hallinnan ja suunnittelun.
• Terveydenhuolto: Terveydenhuolto-alalla aikasarjaennustaminen käytetään ennustamaan tautiepidemioita, potilaiden saapumisia ja lääkevarastojen tarpeita. Tämä auttaa terveydenhuollon suunnittelussa, resurssien jakamisessa ja päätöksenteossa.

Perusmallit aikasarjaennustamisessa

Perusmallit ovat laajoja, esikoulutettuja malleja, jotka muodostavat useiden tekoälysovellusten perustan. Ne on koulutettu suurilla ja monipuolisilla tietojoukoilla, mikä mahdollistaa niiden havaitsemisen malleja, yhteyksiä ja rakenteita datassa. Termi “perus” viittaa niiden kykyyn olla hienosäädettyjä tai muunnettuja tehtävien tai alojen osalla vähäisellä lisäkoulutuksella. Aikasarjaennustamisen kontekstissa nämä mallit on rakennettu samalla tavalla kuin suuret kielen mallit (LLM), käyttäen transformer-arkkitehtuureja. Niin kuin LLM:t, ne on koulutettu ennustamaan seuraavaa tai puuttuvaa elementtiä tietojonossa. Kuitenkin toisin kuin LLM:t, jotka käsittelevät tekstiä alasanoina transformer-kerrosten kautta, perusmallit aikasarjaennustamisessa käsittelevät jatkuvien aikapisteiden jonoa tokenina, mahdollistaen niiden järjestyksessä käsittelemisen aikasarja dataa.

Viimeaikaisesti on kehitetty useita perusmalleja aikasarja dataa varten. Paremmalla ymmärryksellä ja valinnalla oikeaa perusmallia voidaan hyödyntää niiden kykyjä tehokkaammin ja tehokkaammin. Seuraavissa osioissa tarkastelemme eri perusmalleja, jotka ovat saatavilla aikasarja datan analyysiin.

• TimesFM: Google (GOOGL ) Researchin kehittämä TimesFM on dekooderi-vain perusmalli, jossa on 200 miljoonaa parametria. Malli on koulutettu tietojoukossa, joka koostuu 100 miljardista todellisesta aikapisteestä, kattavasta sekä syntetisestä että todellisesta dataa eri lähteistä, kuten Google Trendsistä ja Wikipedian sivunäkymistä. TimesFM on kykenevä nollasuorituskyvyn ennustamiseen useilla aloilla, kuten vähittäiskaupassa, rahoituksessa, valmistuksessa, terveydenhuollossa ja luonnontieteissä, eri aikaresoluutioilla. Google aikoo julkaista TimesFM:n Google Cloud Vertex AI -alustalla, tarjoten sen edistyneet ennustusominaisuudet ulkoisille asiakkaille.
• Lag-Llama: Université de Montréal, Mila-Québec AI Institute ja McGill Universityn tutkijoiden kehittämä Lag-Llama on perusmalli, joka on suunniteltu yksivaiheisen todennäköisyyden aikasarjaennustamiseen. Se perustuu Llama-malliin, ja käyttää dekooderi-vain transformer-arkkitehtuuria, joka käyttää muuttuvia aikaviiveitä ja aikaresoluutioita ennustamiseen. Malli on koulutettu monipuolisilla aikasarja tietojoukoilla useista lähteistä kuuden eri ryhmän kautta, kuten energia, liikenne, talous, luonto, ilmanlaatu ja pilvipalvelut. Malli on saatavilla Huggingface-kirjastosta.
• Moirai: Salesforce (CRM ) AI Researchin kehittämä Moirai on perusmalli, joka on suunniteltu yleiseen ennustamiseen. Moirai on koulutettu Large-scale Open Time Series Archive (LOTSA) -tietojoukossa, joka sisältää 27 miljardia havaintoa yhdeksästä eri alasta, mikä tekee siitä suurimman kokoelman avoimista aikasarja tietojoukoista. Tämä monipuolinen tietojoukko mahdollistaa Moirain oppimisen laajasta aikasarja datasta, mahdollistaen sen käsittelemisen eri ennustustehtävissä. Moirai käyttää useita patch-koko projektiokerroksia tallentamaan aikasuhteita eri taajuuksilla. Tärkeä piirre Moirai:ssa on käyttää mikä tahansa muuttuva tarkkuus, mahdollistaen ennustamisen minkä tahansa muuttujan osalla. Moirain koodi, mallipainot ja data ovat saatavilla GitHub-arkistossa nimeltä “uni2ts“

• Chronos: Amazonin kehittämä Chronos on kokoelma esikoulutettuja todennäköisyyden malleja aikasarjaennustamiseen. Se perustuu T5-transformer-arkkitehtuuriin, ja käyttää sanastoa, joka koostuu 4096 tokenista, ja sen parametrit vaihtelevat 8 miljoonasta 710 miljoonaan. Chronos on esikoulutettu laajalla joukolla julkisia ja syntetisiä tietoja, jotka on generoitu Gaussian-prosesseista. Chronos eroaa TimesFM:stä siinä, että se on koodari-dekooderi-malli, joka mahdollistaa aikasarja datan dekooderin upotusten poistamisen. Chronos voidaan helposti integroida Python-ympäristöön ja käyttää sen API:n kautta.

• Moment: Carnegie Mellon Universityn ja Pennsylvanian yliopiston tutkijoiden kehittämä Moment on perhe avoimia perusmalleja aikasarjaennustamiseen. Se käyttää T5-arkkitehtuureja, mukaan lukien pieni, perus- ja suuri versio, joissa perusmalli sisältää noin 125 miljoonaa parametria. Malli on esikoulutettu laajalla “Time-series Pile” -tietojoukolla, joka kattaa useita julkisia aikasarja tietoja eri aloilta. Toisin kuin monet muut perusmallit, Moment on esikoulutettu laajalla joukolla tehtäviä, parantaen sen tehokkuutta sovelluksissa kuten ennustamisessa, luokittelussa, poikkeamien havaitsemisessa ja täyttämisessä. Koko Python-repositorio ja Jupyter-muistikirjan koodi ovat julkaistu avoimesti mallin käyttämiseksi.

Lopputulos

Aikasarjaennustaminen on tärkeä työkalu monilla aloilla, kuten rahoituksessa, terveydenhuollossa, mahdollistaen perustuvia päätöksiä historiallisten mallien perusteella. Edistyneet perusmallit kuten TimesFM, Chronos, Moment, Lag-Llama ja Moirai tarjoavat monimutkaisia kykyjä, hyödyntäen transformer-arkkitehtuureja ja monipuolisia koulutusjoukkoja tarkkaan ennustamiseen ja analyysiin. Nämä mallit antavat vihjeen aikasarja-analyysin tulevaisuudesta, antaen yrityksille ja tutkijoille voimakkaita työkaluja monimutkaisten datamaastojen navigointiin tehokkaasti.