L’ascesa dei modelli di serie temporale fondamentali per l’analisi e la previsione dei dati

Le serie storiche di previsione svolgono un ruolo fondamentale nei processi decisionali cruciali in vari settori, come il retail, la finanza, la produzione e la sanità. Tuttavia, rispetto a domini come l’elaborazione del linguaggio naturale e riconoscimento delle immagini, l’integrazione di tecniche di intelligenza artificiale (AI) avanzate nella previsione delle serie storiche è stata relativamente lenta. Sebbene i modelli fondamentali dell’AI abbiano fatto notevoli progressi in aree come l’elaborazione del linguaggio naturale e il riconoscimento delle immagini, il loro impatto sulla previsione delle serie storiche è stato limitato fino a poco tempo fa. Tuttavia, ora c’è una crescente tendenza nello sviluppo di modelli fondamentali specificamente progettati per la previsione delle serie storiche. Questo articolo discuterà l’evoluzione del panorama dei modelli fondamentali dell’AI per la previsione delle serie storiche, esplorando i recenti progressi in questo dominio.

Previsione delle serie storiche e applicazioni

I dati delle serie storiche si riferiscono a una sequenza di dati raccolti o registrati a intervalli di tempo regolari. Questo tipo di dati è diffuso in vari domini, come l’economia, il meteo, la salute e molti altri. Ogni punto di dati in una serie storica è contrassegnato da una data e l’ora, e la sequenza è spesso utilizzata per analizzare tendenze, modelli e variazioni stagionali nel tempo.

La previsione delle serie storiche consiste nell’utilizzare i dati storici per prevedere i valori futuri nella serie. È un metodo critico nella statistica e nell’apprendimento automatico che aiuta a prendere decisioni informate in base ai modelli passati. La previsione può essere semplice come proiettare la stessa velocità di crescita nel futuro o complessa come utilizzare modelli di AI per prevedere tendenze future in base a modelli intricati e fattori esterni.

Alcune applicazioni della previsione delle serie storiche sono le seguenti:

• Mercati finanziari: Nella finanza, la previsione delle serie storiche viene utilizzata per prevedere i prezzi delle azioni, i tassi di cambio e le tendenze del mercato. Gli investitori e gli analisti utilizzano i dati storici per prevedere i movimenti futuri e prendere decisioni di trading.
• Previsione del meteo: I dipartimenti meteorologici utilizzano i dati delle serie storiche per prevedere le condizioni meteorologiche. Analizzando i dati meteorologici passati, prevedono i modelli meteorologici futuri, aiutando nella pianificazione e nella gestione delle risorse per l’agricoltura, i viaggi e la gestione delle emergenze.
• Vendite e marketing: Le aziende utilizzano la previsione delle serie storiche per prevedere le vendite future, la domanda e il comportamento dei consumatori. Ciò aiuta nella gestione delle scorte, nella definizione degli obiettivi di vendita e nello sviluppo di strategie di marketing.
• Settore energetico: Le aziende energetiche prevedono la domanda e l’offerta per ottimizzare la produzione e la distribuzione. La previsione delle serie storiche aiuta a prevedere i modelli di consumo energetico, consentendo una gestione efficiente delle risorse e una pianificazione efficace.
• Sanità: Nel settore sanitario, la previsione delle serie storiche viene utilizzata per prevedere le epidemie, le ammissioni dei pazienti e le esigenze di inventario medico. Ciò aiuta nella pianificazione sanitaria, nell’allocazione delle risorse e nella definizione delle politiche.

Modelli fondamentali delle serie storiche

I modelli fondamentali dell’AI sono modelli estensivi e pre-addestrati che costituiscono la base per varie applicazioni di intelligenza artificiale. Sono addestrati su grandi e diversi set di dati, consentendo loro di discernere modelli, connessioni e strutture all’interno dei dati. Il termine “fondamentali” si riferisce alla loro capacità di essere adattati o modificati per compiti o domini con un addestramento aggiuntivo minimo. Nel contesto della previsione delle serie storiche, questi modelli sono costruiti in modo simile ai grandi modelli linguistici (LLM), utilizzando architetture di trasformazione. Come i LLM, sono addestrati a prevedere l’elemento successivo o mancante in una sequenza di dati. Tuttavia, a differenza dei LLM, che elaborano il testo come sottoparole attraverso strati di trasformazione, i modelli fondamentali delle serie storiche trattano le sequenze di punti temporali continui come token, consentendo loro di elaborare sequenzialmente i dati delle serie storiche.

Recentemente, sono stati sviluppati vari modelli fondamentali per i dati delle serie storiche. Con una migliore comprensione e scelta del modello fondamentale appropriato, possiamo sfruttare più efficacemente e efficientemente le loro capacità. Nelle sezioni successive, esploreremo i diversi modelli fondamentali disponibili per l’analisi dei dati delle serie storiche.

• TimesFM: Sviluppato da Google (GOOGL ) Research, TimesFM è un modello fondamentale decoder-only con 200 milioni di parametri. Il modello è addestrato su un set di dati di 100 miliardi di punti temporali reali, che comprende sia dati sintetici che reali provenienti da varie fonti come Google Trends e Wikipedia Pageviews. TimesFM è in grado di effettuare previsioni zero-shot in più settori, tra cui retail, finanza, produzione, sanità e scienze naturali, su diverse granularità temporali. Google intende rilasciare TimesFM sulla sua piattaforma Google Cloud Vertex AI, fornendo le sue funzionalità di previsione sofisticate ai clienti esterni.
• Lag-Llama: Creato da ricercatori dell’Université de Montréal, Mila-Québec AI Institute e McGill University, Lag-Llama è un modello fondamentale progettato per la previsione univariata probabilistica delle serie storiche. Costruito sul fondamento di Llama, il modello utilizza un’architettura di trasformazione decoder-only che utilizza dimensioni di ritardo e risoluzioni temporali variabili per la previsione. Il modello è addestrato su set di dati diversi di serie storiche provenienti da varie fonti in sei gruppi diversi, tra cui energia, trasporto, economia, natura, qualità dell’aria e operazioni cloud. Il modello è facilmente accessibile tramite la libreria Huggingface.
• Moirai: Sviluppato da Salesforce (CRM ) AI Research, Moirai è un modello fondamentale di serie storiche progettato per la previsione universale. Moirai è addestrato sul set di dati Large-scale Open Time Series Archive (LOTSA), che contiene 27 miliardi di osservazioni provenienti da nove domini distinti, rendendolo la più grande raccolta di set di dati di serie storiche aperti. Questo set di dati diversificato consente a Moirai di apprendere da una vasta gamma di dati di serie storiche, consentendogli di gestire diversi compiti di previsione. Moirai utilizza più strati di proiezione di patch di dimensioni per catturare modelli temporali su diverse frequenze. Un aspetto importante di Moirai è l’utilizzo di un meccanismo di attenzione variabile, che consente previsioni su qualsiasi numero di variabili. Il codice, i pesi del modello e i dati associati a Moirai sono disponibili nel repository GitHub chiamato “uni2ts“

• Chronos: Sviluppato da Amazon (AMZN ), Chronos è una raccolta di modelli probabilistici pre-addestrati per la previsione delle serie storiche. Costruito sull’architettura di trasformazione T5, i modelli utilizzano un vocabolario di 4096 token e hanno parametri variabili, che vanno da 8 milioni a 710 milioni. Chronos è pre-addestrato su una vasta gamma di dati pubblici e sintetici generati da processi gaussiani. Chronos differisce da TimesFM in quanto è un modello encoder-decoder, che consente l’estrazione di embedding dell’encoder dai dati delle serie storiche. Chronos può essere facilmente integrato in un ambiente Python e accessibile tramite la sua API.

• Moment: Sviluppato congiuntamente dalla Carnegie Mellon University e dalla University of Pennsylvania, Moment è una famiglia di modelli fondamentali di serie storiche open-source. Utilizza variazioni di architetture T5, tra cui versioni small, base e large, con il modello base che incorpora circa 125 milioni di parametri. Il modello subisce un pre-addestramento sul vasto “Time-series Pile”, una raccolta diversificata di dati di serie storiche pubblici che coprono vari domini. A differenza di molti altri modelli fondamentali, MOMENT è pre-addestrato su una vasta gamma di compiti, migliorando la sua efficacia in applicazioni come la previsione, la classificazione, la rilevazione di anomalie e l’imputazione. Il repository Python completo e il codice del notebook Jupyter sono pubblicamente accessibili per utilizzare il modello.

Il punto fondamentale

La previsione delle serie storiche è uno strumento cruciale in vari settori, dalla finanza alla sanità, consentendo di prendere decisioni informate in base ai modelli passati. Modelli fondamentali avanzati come TimesFM, Chronos, Moment, Lag-Llama e Moirai offrono capacità sofisticate, sfruttando architetture di trasformazione e set di dati di addestramento diversificati per previsioni e analisi accurate. Questi modelli forniscono uno sguardo sul futuro dell’analisi delle serie storiche, dotando aziende e ricercatori di strumenti potenti per navigare efficacemente in paesaggi di dati complessi.