ต้นขั้ว การเพิ่มขึ้นของแบบจำลองพื้นฐานอนุกรมเวลาสำหรับการวิเคราะห์และการพยากรณ์ข้อมูล - Unite.AI
เชื่อมต่อกับเรา

ปัญญาประดิษฐ์

การเพิ่มขึ้นของแบบจำลองพื้นฐานอนุกรมเวลาสำหรับการวิเคราะห์และการพยากรณ์ข้อมูล

mm
วันที่อัพเดท on

อนุกรมเวลา การคาดการณ์ มีบทบาทสำคัญในกระบวนการตัดสินใจที่สำคัญในอุตสาหกรรมต่างๆ เช่น การค้าปลีก การเงิน การผลิต และการดูแลสุขภาพ อย่างไรก็ตาม เมื่อเปรียบเทียบกับโดเมนอย่าง การประมวลผลภาษาธรรมชาติ และ การจดจำภาพการบูรณาการเทคนิคปัญญาประดิษฐ์ขั้นสูง (AI) เข้ากับการพยากรณ์อนุกรมเวลาค่อนข้างช้า แม้ว่า AI พื้นฐาน มีความก้าวหน้าที่สำคัญในด้านต่างๆ เช่น การประมวลผลภาษาธรรมชาติและการจดจำภาพ ผลกระทบต่อการคาดการณ์อนุกรมเวลายังมีจำกัดจนกระทั่งเมื่อไม่นานมานี้ อย่างไรก็ตาม ขณะนี้มีโมเมนตัมเพิ่มขึ้นในการพัฒนาแบบจำลองพื้นฐานที่ปรับแต่งมาโดยเฉพาะสำหรับการพยากรณ์อนุกรมเวลา บทความนี้จะหารือเกี่ยวกับภูมิทัศน์ที่เปลี่ยนแปลงไปของ AI พื้นฐานสำหรับการพยากรณ์อนุกรมเวลา โดยสำรวจความก้าวหน้าล่าสุดในโดเมนนี้

การพยากรณ์อนุกรมเวลาและการประยุกต์

ข้อมูลอนุกรมเวลาหมายถึงลำดับของจุดข้อมูลที่รวบรวมหรือบันทึกในช่วงเวลาปกติ ข้อมูลประเภทนี้แพร่หลายในโดเมนต่างๆ เช่น เศรษฐศาสตร์ สภาพอากาศ สุขภาพ และอื่นๆ จุดข้อมูลแต่ละจุดในอนุกรมเวลาจะมีการประทับเวลา และลำดับมักใช้เพื่อวิเคราะห์แนวโน้ม รูปแบบ และความแปรผันตามฤดูกาลในช่วงเวลาหนึ่ง

การพยากรณ์อนุกรมเวลาเกี่ยวข้องกับการใช้ข้อมูลในอดีตเพื่อทำนายค่าในอนาคตของอนุกรมเวลา เป็นวิธีการที่สำคัญในด้านสถิติและการเรียนรู้ของเครื่องซึ่งช่วยในการตัดสินใจโดยใช้ข้อมูลโดยอิงจากรูปแบบในอดีต การคาดการณ์อาจทำได้ง่ายเพียงแค่คาดการณ์อัตราการเติบโตเดียวกันในอนาคต หรือซับซ้อนเท่ากับการใช้แบบจำลอง AI เพื่อทำนายแนวโน้มในอนาคตโดยพิจารณาจากรูปแบบที่ซับซ้อนและปัจจัยภายนอก

การใช้งานบางส่วนของการพยากรณ์อนุกรมเวลามีดังนี้:

  • ตลาดการเงิน: ในด้านการเงิน การคาดการณ์อนุกรมเวลาใช้เพื่อคาดการณ์ราคาหุ้น อัตราแลกเปลี่ยน และแนวโน้มของตลาด นักลงทุนและนักวิเคราะห์ใช้ข้อมูลในอดีตเพื่อคาดการณ์ความเคลื่อนไหวในอนาคตและตัดสินใจซื้อขาย
  • การพยากรณ์อากาศ: กรมอุตุนิยมวิทยาใช้ข้อมูลอนุกรมเวลาเพื่อพยากรณ์สภาพอากาศ โดยการวิเคราะห์ข้อมูลสภาพอากาศในอดีต พวกเขาคาดการณ์รูปแบบสภาพอากาศในอนาคต ช่วยในการวางแผนและการตัดสินใจด้านการเกษตร การเดินทาง และการจัดการภัยพิบัติ
  • การขายและการตลาด: ธุรกิจต่างๆ ใช้การคาดการณ์อนุกรมเวลาเพื่อคาดการณ์ยอดขาย ความต้องการ และพฤติกรรมผู้บริโภคในอนาคต ซึ่งช่วยในการจัดการสินค้าคงคลัง การกำหนดเป้าหมายการขาย และพัฒนากลยุทธ์การตลาด
  • ภาคพลังงาน: บริษัทพลังงานคาดการณ์อุปสงค์และอุปทานเพื่อเพิ่มประสิทธิภาพการผลิตและการจัดจำหน่าย การคาดการณ์อนุกรมเวลาช่วยในการคาดการณ์รูปแบบการใช้พลังงาน ทำให้สามารถจัดการและวางแผนพลังงานได้อย่างมีประสิทธิภาพ
  • ดูแลสุขภาพ: ในภาคการดูแลสุขภาพ การคาดการณ์อนุกรมเวลาใช้เพื่อคาดการณ์การระบาดของโรค การรับผู้ป่วย และข้อกำหนดด้านสินค้าคงคลังทางการแพทย์ ซึ่งช่วยในการวางแผนการดูแลสุขภาพ การจัดสรรทรัพยากร และการกำหนดนโยบาย

แบบจำลองอนุกรมเวลาของมูลนิธิ

โมเดล AI พื้นฐานเป็นโมเดลที่ได้รับการฝึกอบรมล่วงหน้าอย่างกว้างขวาง ซึ่งเป็นพื้นฐานสำหรับแอปพลิเคชันปัญญาประดิษฐ์ต่างๆ พวกเขาได้รับการฝึกอบรมเกี่ยวกับชุดข้อมูลขนาดใหญ่และหลากหลาย ช่วยให้พวกเขาแยกแยะรูปแบบ การเชื่อมต่อ และโครงสร้างภายในข้อมูลได้ คำว่า "พื้นฐาน" หมายถึงความสามารถในการปรับแต่งหรือแก้ไขงานหรือโดเมนโดยมีการฝึกอบรมเพิ่มเติมเพียงเล็กน้อย ในบริบทของการพยากรณ์อนุกรมเวลา แบบจำลองเหล่านี้ถูกสร้างขึ้นในลักษณะเดียวกัน โมเดลภาษาขนาดใหญ่ (LLM) การใช้ สถาปัตยกรรมหม้อแปลงไฟฟ้า- เช่นเดียวกับ LLM พวกเขาได้รับการฝึกอบรมให้คาดการณ์องค์ประกอบที่ตามมาหรือขาดหายไปในลำดับข้อมูล อย่างไรก็ตาม แตกต่างจาก LLM ซึ่งประมวลผลข้อความเป็นคำย่อยผ่านเลเยอร์หม้อแปลง แบบจำลองอนุกรมเวลาพื้นฐานจะปฏิบัติต่อลำดับของจุดเวลาที่ต่อเนื่องกันเป็นโทเค็น ทำให้สามารถประมวลผลข้อมูลอนุกรมเวลาตามลำดับได้

เมื่อเร็วๆ นี้ มีการพัฒนาแบบจำลองพื้นฐานต่างๆ สำหรับข้อมูลอนุกรมเวลา ด้วยความเข้าใจที่ดีขึ้นและการเลือกแบบจำลองพื้นฐานที่เหมาะสม เราจึงสามารถใช้ประโยชน์จากความสามารถของพวกเขาได้อย่างมีประสิทธิภาพและประสิทธิผลมากขึ้น ในส่วนต่อๆ ไป เราจะสำรวจแบบจำลองพื้นฐานต่างๆ สำหรับการวิเคราะห์ข้อมูลอนุกรมเวลา

  • ไทม์เอฟเอ็ม: TimesFM พัฒนาโดย Google Research เป็นโมเดลพื้นฐานที่ใช้ตัวถอดรหัสเท่านั้น โดยมีพารามิเตอร์ 200 ล้านพารามิเตอร์ แบบจำลองนี้ได้รับการฝึกฝนบนชุดข้อมูลจุดเวลาในโลกแห่งความเป็นจริง 100 พันล้านจุด ซึ่งครอบคลุมทั้งข้อมูลสังเคราะห์และข้อมูลจริงจากแหล่งต่างๆ เช่น Google Trends และการเปิดดูหน้าเว็บใน Wikipedia TimesFM มีความสามารถในการคาดการณ์แบบ Zero-shot ในหลายภาคส่วน รวมถึงการค้าปลีก การเงิน การผลิต การดูแลสุขภาพ และวิทยาศาสตร์ธรรมชาติ ในช่วงเวลาที่แตกต่างกัน Google ตั้งใจที่จะเปิดตัว TimesFM บนแพลตฟอร์ม Google Cloud Vertex AI โดยนำเสนอฟีเจอร์การคาดการณ์ที่ซับซ้อนแก่ลูกค้าภายนอก
  • ลาก-ลามะ: Lag-Llama สร้างขึ้นโดยนักวิจัยจาก Université de Montréal, Mila-Québec AI Institute และ McGill University เป็นแบบจำลองพื้นฐานที่ออกแบบมาเพื่อการคาดการณ์อนุกรมเวลาความน่าจะเป็นที่ไม่แปรเปลี่ยน แบบจำลองนี้สร้างขึ้นบนรากฐานของ Llama โดยใช้สถาปัตยกรรมหม้อแปลงแบบถอดรหัสเท่านั้น ซึ่งใช้เวลาหน่วงเวลาหลายขนาดและความละเอียดของเวลาสำหรับการคาดการณ์ แบบจำลองนี้ได้รับการฝึกอบรมเกี่ยวกับชุดข้อมูลอนุกรมเวลาที่หลากหลายจากหลายแหล่งในหกกลุ่มที่แตกต่างกัน รวมถึงพลังงาน การขนส่ง เศรษฐศาสตร์ ธรรมชาติ คุณภาพอากาศ และการดำเนินงานบนคลาวด์ สามารถเข้าใช้งานโมเดลได้อย่างสะดวกผ่านทาง ห้องสมุดฮักกิ้งเฟซ.
  • โมไร: Moirai พัฒนาโดย Salesforce AI Research เป็นแบบจำลองอนุกรมเวลาพื้นฐานที่ออกแบบมาเพื่อการคาดการณ์สากล Moirai ได้รับการฝึกอบรมเกี่ยวกับชุดข้อมูล Large-scale Open Time Series Archive (LOTSA) ซึ่งประกอบด้วยการสังเกต 27 หมื่นล้านรายการจากโดเมนที่แตกต่างกัน XNUMX โดเมน ทำให้เป็นชุดข้อมูลชุดข้อมูลอนุกรมเวลาเปิดที่ใหญ่ที่สุด ชุดข้อมูลที่หลากหลายนี้ช่วยให้ Moirai เรียนรู้จากข้อมูลอนุกรมเวลาที่หลากหลาย ทำให้สามารถจัดการกับงานพยากรณ์ต่างๆ ได้ มอยไรใช้ชั้นฉายภาพขนาดแพทช์หลายชั้นเพื่อจับภาพรูปแบบชั่วคราวในความถี่ต่างๆ สิ่งสำคัญของมอยไรคือการใช้กลไกความสนใจแบบต่างๆ เพื่อให้สามารถคาดการณ์ตัวแปรจำนวนเท่าใดก็ได้ รหัส น้ำหนักโมเดล และข้อมูลที่เกี่ยวข้องกับ Moirai มีอยู่ในที่เก็บ GitHub ที่เรียกว่า “ยูนิ2ts"
  • โครโนส: Chronos พัฒนาโดย Amazon คือคอลเลกชันของแบบจำลองความน่าจะเป็นที่ได้รับการฝึกอบรมล่วงหน้าสำหรับการคาดการณ์อนุกรมเวลา โมเดลต่างๆ สร้างขึ้นบนสถาปัตยกรรมหม้อแปลง T5 ใช้คำศัพท์ 4096 โทเค็น และมีพารามิเตอร์ที่แตกต่างกัน ตั้งแต่ 8 ล้านถึง 710 ล้าน Chronos ได้รับการฝึกอบรมล่วงหน้าเกี่ยวกับข้อมูลสาธารณะและข้อมูลสังเคราะห์มากมายที่สร้างจากกระบวนการแบบเกาส์เซียน Chronos แตกต่างจาก TimesFM ตรงที่เป็นโมเดลตัวเข้ารหัส-ตัวถอดรหัส ซึ่งช่วยให้สามารถแยกการฝังตัวเข้ารหัสออกจากข้อมูลอนุกรมเวลาได้ Chronos สามารถรวมเข้ากับสภาพแวดล้อม Python ได้อย่างง่ายดายและเข้าถึงได้ผ่านทาง API.
  • ขณะ: Moment ได้รับการพัฒนาร่วมกันโดยมหาวิทยาลัย Carnegie Mellon และมหาวิทยาลัยเพนซิลวาเนีย เป็นกลุ่มโมเดลอนุกรมเวลาพื้นฐานแบบโอเพ่นซอร์ส ใช้สถาปัตยกรรม T5 ที่หลากหลาย รวมถึงรุ่นเล็ก รุ่นพื้นฐาน และรุ่นใหญ่ โดยรุ่นพื้นฐานประกอบด้วยพารามิเตอร์ประมาณ 125 ล้านตัว โมเดลดังกล่าวได้รับการฝึกอบรมล่วงหน้าเกี่ยวกับ "Time-series Pile" ซึ่งเป็นการรวบรวมข้อมูลอนุกรมเวลาสาธารณะที่หลากหลายซึ่งครอบคลุมโดเมนต่างๆ แตกต่างจากโมเดลพื้นฐานอื่นๆ MOMENT ได้รับการฝึกอบรมล่วงหน้าเกี่ยวกับงานที่หลากหลาย ซึ่งช่วยเพิ่มประสิทธิภาพในการใช้งาน เช่น การคาดการณ์ การจำแนกประเภท การตรวจจับความผิดปกติ และการใส่ข้อมูล ที่เก็บ Python ที่สมบูรณ์และสมุดบันทึก Jupyter รหัส สามารถเข้าถึงได้แบบสาธารณะเพื่อใช้โมเดล

บรรทัดด้านล่าง

การคาดการณ์อนุกรมเวลาเป็นเครื่องมือสำคัญในโดเมนต่างๆ ตั้งแต่การเงินไปจนถึงการดูแลสุขภาพ ช่วยให้ตัดสินใจได้อย่างมีข้อมูลโดยอิงจากรูปแบบในอดีต โมเดลพื้นฐานขั้นสูง เช่น TimesFM, Chronos, Moment, Lag-Llama และ Moirai นำเสนอความสามารถที่ซับซ้อน โดยใช้ประโยชน์จากสถาปัตยกรรมหม้อแปลงไฟฟ้าและชุดข้อมูลการฝึกอบรมที่หลากหลายเพื่อการคาดการณ์และการวิเคราะห์ที่แม่นยำ โมเดลเหล่านี้ช่วยให้มองเห็นอนาคตของการวิเคราะห์อนุกรมเวลา เพิ่มศักยภาพให้กับธุรกิจและนักวิจัยด้วยเครื่องมืออันทรงพลังเพื่อนำทางภูมิทัศน์ข้อมูลที่ซับซ้อนอย่างมีประสิทธิภาพ

Dr. Tehseen Zia เป็นรองศาสตราจารย์ประจำที่ COMSATS University Islamabad โดยสำเร็จการศึกษาระดับปริญญาเอกสาขา AI จาก Vienna University of Technology ประเทศออสเตรีย ด้วยความเชี่ยวชาญในปัญญาประดิษฐ์ การเรียนรู้ของเครื่องจักร วิทยาศาสตร์ข้อมูล และคอมพิวเตอร์วิทัศน์ เขามีส่วนสำคัญในการตีพิมพ์ในวารสารวิทยาศาสตร์ที่มีชื่อเสียง ดร. Tehseen ยังเป็นผู้นำโครงการอุตสาหกรรมต่างๆ ในฐานะ Principal Investigator และทำหน้าที่เป็นที่ปรึกษาด้าน AI