toco A ascensão dos modelos básicos de séries temporais para análise e previsão de dados - Unite.AI
Entre em contato

Inteligência artificial

A ascensão dos modelos básicos de séries temporais para análise e previsão de dados

mm
Atualização do on

Séries temporais previsão desempenha um papel vital em processos cruciais de tomada de decisão em vários setores, como varejo, finanças, manufatura e saúde. No entanto, em comparação com domínios como processamento de linguagem natural e reconhecimento de imagem, a integração de técnicas avançadas de inteligência artificial (IA) na previsão de séries temporais tem sido relativamente lenta. Embora IA fundamental Embora tenha feito progressos significativos em áreas como o processamento de linguagem natural e o reconhecimento de imagens, o seu impacto na previsão de séries temporais foi limitado até recentemente. No entanto, existe agora um impulso crescente no desenvolvimento de modelos fundamentais adaptados especificamente para a previsão de séries temporais. Este artigo discutirá o cenário em evolução da IA ​​fundamental para previsão de séries temporais, explorando os avanços recentes neste domínio.

Previsão e aplicações de séries temporais

Os dados de série temporal referem-se a uma sequência de pontos de dados coletados ou registrados em intervalos de tempo regulares. Esse tipo de dados prevalece em vários domínios, como economia, clima, saúde e muito mais. Cada ponto de dados em uma série temporal tem carimbo de data e hora, e a sequência é frequentemente usada para analisar tendências, padrões e variações sazonais ao longo do tempo.

A previsão de séries temporais envolve o uso de dados históricos para prever valores futuros da série. É um método crítico em estatística e aprendizado de máquina que ajuda na tomada de decisões informadas com base em padrões anteriores. A previsão pode ser tão simples como projetar a mesma taxa de crescimento no futuro ou tão complexa como utilizar modelos de IA para prever tendências futuras com base em padrões intrincados e fatores externos.

Algumas aplicações da previsão de séries temporais são as seguintes:

  • Mercados financeiros: Em finanças, a previsão de séries temporais é usada para prever preços de ações, taxas de câmbio e tendências de mercado. Investidores e analistas utilizam dados históricos para prever movimentos futuros e tomar decisões comerciais.
  • Previsão do tempo: Os departamentos meteorológicos usam dados de séries temporais para prever as condições meteorológicas. Ao analisar dados meteorológicos passados, eles prevêem padrões climáticos futuros, ajudando no planejamento e na tomada de decisões para agricultura, viagens e gestão de desastres.
  • Vendas e Marketing: As empresas utilizam previsões de séries temporais para prever vendas futuras, demanda e comportamento do consumidor. Isso ajuda no gerenciamento de estoque, na definição de metas de vendas e no desenvolvimento de estratégias de marketing.
  • Setor de Energia: As empresas de energia prevêem a procura e a oferta para otimizar a produção e a distribuição. A previsão de séries temporais ajuda a prever padrões de consumo de energia, permitindo gerenciamento e planejamento eficientes de energia.
  • Cuidados de saúde: No setor de saúde, a previsão de séries temporais é usada para prever surtos de doenças, internações de pacientes e requisitos de inventário médico. Isso auxilia no planejamento da saúde, na alocação de recursos e na formulação de políticas.

Modelos básicos de série temporal

Os modelos fundamentais de IA são modelos extensos e pré-treinados que formam a base para várias aplicações de inteligência artificial. Eles são treinados em conjuntos de dados grandes e diversos, o que lhes permite discernir padrões, conexões e estruturas dentro dos dados. O termo “fundacional” refere-se à sua capacidade de serem ajustados ou modificados para tarefas ou domínios com treinamento adicional mínimo. No contexto da previsão de séries temporais, esses modelos são construídos de forma semelhante a grandes modelos de linguagem (LLMs), utilizando arquiteturas de transformadores. Assim como os LLMs, eles são treinados para prever o elemento subsequente ou ausente em uma sequência de dados. No entanto, diferentemente dos LLMs, que processam texto como subpalavras por meio de camadas transformadoras, os modelos fundamentais de séries temporais tratam sequências de pontos de tempo contínuos como tokens, permitindo-lhes processar sequencialmente dados de séries temporais.

Recentemente, vários modelos fundamentais foram desenvolvidos para dados de séries temporais. Com uma melhor compreensão e escolha do modelo fundamental apropriado, podemos aproveitar de forma mais eficaz e eficiente as suas capacidades. Nas seções subsequentes, exploraremos os diferentes modelos fundamentais disponíveis para análise de dados de séries temporais.

  • Times FM: Desenvolvido pela Google Research, o TimesFM é um modelo básico apenas de decodificador com 200 milhões de parâmetros. O modelo é treinado em um conjunto de dados de 100 bilhões de pontos no tempo do mundo real, abrangendo dados sintéticos e reais de fontes variadas, como Google Trends e Wikipedia Pageviews. O TimesFM é capaz de fazer previsões zero-shot em vários setores, incluindo varejo, finanças, manufatura, saúde e ciências naturais, em diferentes granularidades de tempo. O Google pretende lançar o TimesFM em sua plataforma Google Cloud Vertex AI, fornecendo seus sofisticados recursos de previsão para clientes externos.
  • Lag-Lhama: Criado por pesquisadores da Université de Montréal, do Mila-Québec AI Institute e da McGill University, o Lag-Llama é um modelo fundamental projetado para previsão probabilística univariada de séries temporais. Construído com base no Llama, o modelo emprega uma arquitetura de transformador somente decodificador que usa intervalos de tempo de tamanhos variáveis ​​e resoluções de tempo para previsão. O modelo é treinado em diversos conjuntos de dados de séries temporais de diversas fontes em seis grupos diferentes, incluindo energia, transporte, economia, natureza, qualidade do ar e operações em nuvem. O modelo é convenientemente acessível através do Biblioteca Huggingface.
  • Moirai: Desenvolvido pela Salesforce AI Research, Moirai é um modelo fundamental de série temporal projetado para previsão universal. Moirai é treinado no conjunto de dados Large-scale Open Time Series Archive (LOTSA), que contém 27 bilhões de observações de nove domínios distintos, tornando-o a maior coleção de conjuntos de dados abertos de séries temporais. Este conjunto de dados diversificado permite que a Moirai aprenda com uma ampla variedade de dados de séries temporais, permitindo-lhe lidar com diferentes tarefas de previsão. Moirai usa múltiplas camadas de projeção de tamanho de patch para capturar padrões temporais em várias frequências. Um aspecto importante do Moirai é usar mecanismo de atenção de qualquer variável, permitindo previsões sobre qualquer número de variáveis. O código, pesos do modelo e dados associados ao Moirai estão disponíveis no repositório GitHub chamado “uni2ts"
  • Chronos: Desenvolvido pela Amazon, Chronos é uma coleção de modelos probabilísticos pré-treinados para previsão de séries temporais. Construídos na arquitetura do transformador T5, os modelos utilizam um vocabulário de 4096 tokens e possuem parâmetros variados, variando de 8 milhões a 710 milhões. O Chronos é pré-treinado em uma vasta gama de dados públicos e sintéticos gerados a partir de processos gaussianos. Chronos difere do TimesFM por ser um modelo codificador-decodificador, que permite a extração de embeddings de codificador de dados de séries temporais. Chronos pode ser facilmente integrado a um ambiente Python e acessado através de seu API.
  • Momento: Desenvolvido em colaboração pela Universidade Carnegie Mellon e pela Universidade da Pensilvânia, o Moment é uma família de modelos de séries temporais fundamentais de código aberto. Ele utiliza variações de arquiteturas T5, incluindo versões pequena, básica e grande, com o modelo básico incorporando aproximadamente 125 milhões de parâmetros. O modelo passa por pré-treinamento na extensa “Pilha de séries temporais”, uma coleção diversificada de dados públicos de séries temporais abrangendo vários domínios. Ao contrário de muitos outros modelos fundamentais, o MOMENT é pré-treinado em uma ampla gama de tarefas, aumentando sua eficácia em aplicações como previsão, classificação, detecção de anomalias e imputação. O repositório Python completo e o notebook Jupyter código são acessíveis publicamente para utilizar o modelo.

Concluindo!

A previsão de séries temporais é uma ferramenta crucial em vários domínios, desde finanças até cuidados de saúde, permitindo uma tomada de decisão informada com base em padrões históricos. Modelos básicos avançados como TimesFM, Chronos, Moment, Lag-Llama e Moirai oferecem recursos sofisticados, aproveitando arquiteturas de transformadores e diversos conjuntos de dados de treinamento para previsões e análises precisas. Esses modelos fornecem uma visão do futuro da análise de séries temporais, capacitando empresas e pesquisadores com ferramentas poderosas para navegar com eficiência em cenários de dados complexos.

mm

Tehseen Zia é professor associado titular na COMSATS University Islamabad, com doutorado em IA pela Universidade de Tecnologia de Viena, Áustria. Especializado em Inteligência Artificial, Aprendizado de Máquina, Ciência de Dados e Visão Computacional, ele fez contribuições significativas com publicações em revistas científicas de renome. Tehseen também liderou vários projetos industriais como investigador principal e atuou como consultor de IA.