Oppgangen av tidsseriemodeller for dataanalyse og prognose

Tidsserie prognose spiller en viktig rolle i avgjørende beslutningsprosesser over flere bransjer, som detaljhandel, finans, produksjon og helsevesen. Imidlertid, sammenlignet med domener som naturleg språkbehandling og bildegjenkjenning, har integreringen av avanserte kunstig intelligens (AI) tekniker i tidsserieprognose vært relativt langsom. Selv om grunnleggende AI har gjort betydelig fremgang i områder som naturleg språkbehandling og bildegjenkjenning, har dens påvirkning på tidsserieprognose vært begrenset til nylig. Likevel, er det nå en økende momentum i utviklingen av grunnleggende modeller som er spesifikt tilpasset for tidsserieprognose. Denne artikkelen vil diskutere den utviklende landskapet av grunnleggende AI for tidsserieprognose, og utforske de nyeste fremgangene i dette domenet.

Tidsserieprognose og anvendelser

Tidsserie-data refererer til en sekvens av data punkter som er samlet inn eller registrert på regelmessige tidsintervaller. Denne typen data er vanlig over flere domener, som økonomi, vær, helse og mer. Hver data punkt i en tidsserie er tidstemplet, og sekvensen brukes ofte til å analysere trender, mønster og sesongvariasjoner over tid.

Tidsserieprognose innebærer å bruke historiske data til å forutsi fremtidige verdier i serien. Det er en kritisk metode i statistikk og maskinlæring som hjelper i å ta informerte beslutninger basert på tidligere mønster. Prognose kan være så enkelt som å projisere samme vekstrate inn i fremtiden eller så kompleks som å bruke AI-modeller til å forutsi fremtidige trender basert på intrikate mønster og eksterne faktorer.

Noen anvendelser av tidsserieprognose er som følger:

• Finansmarkedene: I finans, brukes tidsserieprognose til å forutsi aksjepriser, valutakurser og markedstrender. Investorer og analytikere bruker historiske data til å forutsi fremtidige bevegelser og ta handelsbeslutninger.
• Værprognose: Meteorologiske avdelinger bruker tidsserie-data til å forutsi værforhold. Ved å analysere tidligere værdata, forutsier de fremtidige værmønster, hvilket hjelper i planlegging og beslutningstaking for landbruk, reise og katastrofehåndtering.
• Salg og markedsføring: Bedrifter bruker tidsserieprognose til å forutsi fremtidige salg, etterspørsel og kundeatferd. Dette hjelper i lagerstyring, å sette salgs mål og utvikle markedsføringsstrategier.
• Energisektoren: Energiselskaper forutsier etterspørsel og tilbud for å optimalisere produksjon og distribusjon. Tidsserieprognose hjelper i å forutsi energiforbruksmønster, hvilket muliggjør effektiv energistyring og planlegging.
• Helsevesenet: I helsevesenet, brukes tidsserieprognose til å forutsi sykdomsutbrudd, pasientinntak og medisinsk lagerbehov. Dette hjelper i helseplanlegging, ressursallokering og politikkutforming.

Grunnleggende tidsseriemodeller

Grunnleggende AI-modeller er omfattende, forhåndstrengte modeller som danner grunnlaget for ulike kunstig intelligens-applikasjoner. De er trenet på store og diverse datasett, hvilket gjør det mulig for dem å gjenkjenne mønster, sammenhenger og strukturer i dataene. Begrepet “grunnleggende” refererer til deres evne til å bli finjustert eller modifisert for oppgaver eller domener med minimal ekstra trening. I sammenheng med tidsserieprognose, er disse modellene konstruert på samme måte som store språkmodeller (LLM), ved å bruke transformatorarkitektur. Like LLM, er de trenet til å forutsi det påfølgende eller manglende element i en datasekvens. Imidlertid, i motsetning til LLM, som behandler tekst som subordner gjennom transformatorlag, behandler grunnleggende tidsseriemodeller sekvenser av kontinuerlige tidspunkter som token, hvilket gjør det mulig for dem å sekvensielt prosessere tidsserie-data.

Nylig er flere grunnleggende modeller utviklet for tidsserie-data. Med bedre forståelse og valg av riktig grunnleggende modell, kan vi mer effektivt og effektivt utnytte deres kapasiteter. I de påfølgende seksjonene, vil vi utforske de ulike grunnleggende modellene som er tilgjengelige for tidsserie-dataanalyse.

• TimesFM: Utviklet av Google (GOOGL ) Research, er TimesFM en decoder-only grunnleggende modell med 200 millioner parametre. Modellen er trenet på et datasett på 100 milliarder virkelige tidspunkter, som omfatter både syntetiske og faktiske data fra ulike kilder som Google Trends og Wikipedia Pageviews. TimesFM er i stand til å utføre null-skuddsprognose i flere sektorer, inkludert detaljhandel, finans, produksjon, helsevesen og naturvitenskap, over ulike tidsgrenser. Google har til hensikt å utgi TimesFM på sin Google Cloud Vertex AI-plattform, og tilby sine avanserte prognosefunksjoner til eksterne kunder.
• Lag-Llama: Utviklet av forskere fra Université de Montréal, Mila-Québec AI Institute og McGill University, er Lag-Llama en grunnleggende modell designet for univariat probabilistisk tidsserieprognose. Bygget på grunnlag av Llama, bruker modellen en decoder-only transformatorarkitektur som bruker variable størrelser tidslag og tidresolusjoner for prognose. Modellen er trenet på diverse tidsserie-datasett fra flere kilder over seks ulike grupper, inkludert energi, transport, økonomi, natur, luftkvalitet og skytjenester. Modellen er lett tilgjengelig gjennom Huggingface-biblioteket.
• Moirai: Utviklet av Salesforce (CRM ) AI Research, er Moirai en grunnleggende tidsseriemodell designet for universell prognose. Moirai er trenet på Large-scale Open Time Series Archive (LOTSA)-datasettet, som inneholder 27 milliarder observasjoner fra ni ulike domener, og er dermed den største samlingen av åpne tidsserie-datasett. Dette diverse datasett gjør det mulig for Moirai å lære fra en bred rekke tidsserie-data, og å håndtere ulike prognoseoppgaver. Moirai bruker flere patch-størrelse-projeksjonslag for å fange temporale mønster over ulike frekvenser. En viktig aspekt ved Moirai er å bruke en variabel-variabel oppmerksomhetsmekanisme, som gjør det mulig å foreta prognoser over et hvilket som helst antall variabler. Koden, modellvekter og data forbundet med Moirai er tilgjengelige i GitHub-repositoriet kalt “uni2ts“

• Chronos: Utviklet av Amazon (AMZN ), er Chronos en samling av forhåndstrengte probabilistiske modeller for tidsserieprognose. Bygget på T5-transformatorarkitekturen, bruker modellene en vokabular på 4096 token og har varierende parametre, fra 8 millioner til 710 millioner. Chronos er forhåndstrengt på en stor mengde offentlige og syntetiske data generert fra gaussiske prosesser. Chronos skiller seg fra TimesFM ved at det er en encoder-decoder-modell, som gjør det mulig å trekke ut encoder-embeddings fra tidsserie-data. Chronos kan lett integreres i en Python-miljø og tilgjengelig via sin API.

• Moment: Utviklet samarbeidende av Carnegie Mellon University og University of Pennsylvania, er Moment en familie av åpne grunnleggende tidsseriemodeller. Den bruker variasjoner av T5-arkitekturer, inkludert små, base og store versjoner, hvor base-modellen inkorporerer omtrent 125 millioner parametre. Modellen gjennomgår forhåndstrening på den omfattende “Time-series Pile”, en divers samling av offentlige tidsserie-data som spenner over ulike domener. I motsetning til mange andre grunnleggende modeller, er Moment forhåndstrengt på en bred rekke oppgaver, hvilket forbedrer dens effektivitet i applikasjoner som prognose, klassifisering, anomali-dettektasje og imputasjon. Den fullstendige Python-repositoriet og Jupyter-notebook-koden er offentlig tilgjengelige for å bruke modellen.

Bunnen av saken

Tidsserieprognose er et kritisk verktøy over flere domener, fra finans til helsevesen, og muliggjør informerte beslutninger basert på historiske mønster. Avanserte grunnleggende modeller som TimesFM, Chronos, Moment, Lag-Llama og Moirai tilbyr sofistikerte kapasiteter, ved å bruke transformatorarkitektur og diverse treningdatasett for nøyaktig prognose og analyse. Disse modellene gir et glimt inn i fremtiden for tidsserieanalyse, og gir bedrifter og forskere kraftfulle verktøy for å navigere komplekse datalandskaper effektivt. i offerer sofistikerte kapasiteter, ved å bruke transformatorarkitektur og diverse treningdatasett for nøyaktig prognose og analyse. Disse modellene gir et glimt inn i fremtiden for tidsserieanalyse, og gir bedrifter og forskere kraftfulle verktøy for å navigere komplekse datalandskaper effektivt.