Zaman Serisi Temel Modellerinin Veri Analizi ve Tahmin için Yükselişi

Zaman serisi tahmini çeşitli endüstrilerde kritik karar alma süreçlerinde önemli bir rol oynar. Ancak, doğal dil işleme ve görüntü tanıma gibi alanlara kıyasla, zaman serisi tahmini vào gelişmiş yapay zeka (AI) tekniklerinin entegrasyonu nispeten yavaş olmuştur. Temel AI doğal dil işleme ve görüntü tanıma gibi alanlarda önemli ilerleme kaydetmiştir, ancak zaman serisi tahmini üzerindeki etkisi yakın zamana kadar sınırlı olmuştur. Bununla birlikte, zaman serisi tahmini için özel olarak tasarlanmış temel modellerin geliştirilmesinde artık artan bir momentum vardır. Bu makale, zaman serisi tahmini için temel AI’nin değişen görünümünü tartışacak, bu alan中的 recent gelişmeleri keşfedecektir.

Zaman Serisi Tahmini ve Uygulamaları

Zaman serisi verileri, düzenli zaman aralıklarında toplanan veya kaydedilen veri noktalarının bir dizisidir. Bu tür veriler, ekonomi, hava durumu, sağlık ve daha fazlası gibi çeşitli alanlarda yaygındır. Her bir veri noktası zaman damgalıdır ve dizi, zaman içinde trendleri, kalıpları ve mevsimsel varyasyonları analiz etmek için kullanılır.

Zaman serisi tahmini, gelecekteki değerleri tahmin etmek için histórik verileri kullanmayı içerir. Bu, istatistik ve makine öğrenimi中的 bir yöntem olup, geçmiş kalıplara dayalı olarak bilgilendirilmiş kararlar alınmasına yardımcı olur. Tahmin, gelecekte aynı büyüme oranını dự đoán etmek kadar basit veya karmaşık AI modellerini kullanarak gelecekteki trendleri dış faktörler temelinde tahmin etmek kadar karmaşık olabilir.

Zaman serisi tahmininin bazı uygulamaları şunlardır:

• Finansal Piyasalar: Finans alanında, zaman serisi tahmini hisse senedi fiyatlarını, döviz kurlarını ve piyasa trendlerini tahmin etmek için kullanılır. Yatırımcılar ve analistler histórik verileri gelecekteki hareketleri tahmin etmek ve ticaret kararları almak için kullanırlar.
• Hava Tahmini: Meteoroloji bölümleri, hava koşullarını tahmin etmek için zaman serisi verilerini kullanırlar. Geçmiş hava verilerini analiz ederek, gelecekteki hava kalıplarını tahmin ederler, bu da tarım, seyahat ve afet yönetimi için planlama ve karar alma süreçlerine yardımcı olur.
• Satış ve Pazarlama: İşletmeler, gelecekteki satışları, talebi ve müşteri davranışını tahmin etmek için zaman serisi tahmini kullanırlar. Bu, envanter yönetiminde, satış hedeflerinin belirlenmesinde ve pazarlama stratejilerinin geliştirilmesinde yardımcı olur.
• Enerji Sektörü: Enerji şirketleri, talebi ve arzü tahmin etmek için zaman serisi tahmini kullanırlar. Bu, enerji tüketim kalıplarının öngörülmesine yardımcı olur, böylece enerji yönetimini ve planlamasını optimize eder.
• Sağlık Hizmetleri: Sağlık hizmetleri sektöründe, zaman serisi tahmini, hastalık salgınlarını, hasta kabulünü ve tıbbi envanter gereksinimlerini tahmin etmek için kullanılır. Bu, sağlık hizmetleri planlaması, kaynak tahsisi ve politika oluşturulmasına yardımcı olur.

Temel Zaman Serisi Modelleri

Temel AI modelleri, çeşitli yapay zeka uygulamalarının temelini oluşturan geniş, önceden eğitilmiş modellerdir. Büyük ve çeşitli veri kümeleri üzerinde eğitilirler, bu da onlara veri中的 kalıpları, bağlantıları ve yapıları anlamalarını sağlar. “Temel” terimi, onları minimal ek eğitimle görevler veya alanlar için uyarlanabilir hale getirmelerini ifade eder. Zaman serisi tahmini bağlamında, bu modeller büyük dil modelleri (LLM) gibi inşa edilir, transformer mimarilerini kullanır. LLM’ler gibi, bir veri dizisinin sonraki veya eksik öğesini tahmin etmek için eğitilirler. Ancak, LLM’lerin metni alt kelimeler olarak transformer katmanları aracılığıyla işlerken, temel zaman serisi modelleri sürekli zaman noktalarının dizilerini token olarak işler, böylece zaman serisi verilerini ardışık olarak işleyebilirler.

Son zamanlarda, zaman serisi verisi için çeşitli temel modeller geliştirilmiştir. Uygun temel modeli seçerek ve anlayarak, onların yeteneklerini daha etkili ve verimli bir şekilde kullanabiliriz. Sonraki bölümlerde, zaman serisi verisi analizi için mevcut temel modelleri keşfedeceğiz.

• TimesFM: Google Research tarafından geliştirilen TimesFM, 200 milyon parametreye sahip bir decoder-only temel modeldir. Model, 100 milyar gerçek dünya zaman noktasından oluşan bir veri kümesi üzerinde eğitilmiştir, bu veri kümesi sentetik ve gerçek verileri içerir. TimesFM, perakende, finans, imalat, sağlık ve doğa bilimleri gibi çeşitli sektörlerde farklı zaman granüliteleri中的 zero-shot tahmini gerçekleştirebilir. Google, TimesFM’i Google Cloud Vertex AI platformunda yayınlayacak, böylece dış müşterilere gelişmiş tahmini özellikleri sunacaktır.
• Lag-Llama: Université de Montréal, Mila-Québec AI Institute ve McGill University’den araştırmacılar tarafından geliştirilen Lag-Llama, tek değişkenli olasılıksal zaman serisi tahmini için tasarlanmış bir temel modeldir. Llama’nın temelinde inşa edilen model, değişken boyutlu zaman gecikmeleri ve zaman çözünürlükleri kullanarak decoder-only transformer mimarisini kullanır. Model, altı farklı grupta (enerji, ulaşım, ekonomi, doğa, hava kalitesi ve bulut operasyonları) çeşitli kaynaklardan alınan zaman serisi veri kümeleri üzerinde eğitilmiştir. Model, Huggingface kütüphanesi aracılığıyla erişilebilir.
• Moirai: Salesforce AI Research tarafından geliştirilen Moirai, evrensel tahmini için tasarlanmış bir temel zaman serisi modelidir. Moirai, 27 milyar gözlemi içeren dokuz farklı alandan oluşan Large-scale Open Time Series Archive (LOTSA) veri kümesi üzerinde eğitilmiştir. Bu çeşitli veri kümesi, Moirai’nin geniş bir zaman serisi verisi yelpazesinden öğrenmesine olanak tanır, böylece farklı tahmini görevlerini gerçekleştirebilir. Moirai, çeşitli frekanslardaki zaman kalıplarını yakalamak için birden fazla yama boyutu projeksiyon katmanları kullanır. Moirai’nin önemli bir yönü, herhangi bir sayıda değişken için tahmini gerçekleştirebilen herhangi bir değişken dikkat mekanizması kullanmasıdır. Moirai ile ilgili kod, model ağırlıkları ve veri, “uni2ts” adlı GitHub deposunda mevcuttur.

• Chronos: Amazon tarafından geliştirilen Chronos, zaman serisi tahmini için önceden eğitilmiş olasılıksal modellerin bir koleksiyonudur. T5 transformer mimarisine dayanan modeller, 4096 tokenlik bir sözlüğe sahiptir ve 8 milyon ile 710 milyon arasında değişen parametrelere sahiptir. Chronos, Gaussian süreçlerinden oluşan kamu ve sentetik verilerin geniş bir dizisi üzerinde ön eğitilmiştir. Chronos, TimesFM’den farklı olarak bir encoder-decoder modelidir, bu da zaman serisi verisinden encoder gömme noktalarının çıkarılmasına olanak tanır. Chronos, Python ortamına kolayca entegre edilebilir ve API’si aracılığıyla erişilebilir.

• Moment: Carnegie Mellon University ve University of Pennsylvania’den araştırmacılar tarafından ortaklaşa geliştirilen Moment, açık kaynaklı temel zaman serisi modelleri ailesidir. T5 mimarilerinin varyasyonlarını kullanır, temel model yaklaşık 125 milyon parametreyi içerir. Model, çeşitli alanlardaki kamu zaman serisi verilerini içeren “Time-series Pile” adlı geniş bir veri kümesi üzerinde ön eğitilmiştir. Diğer birçok temel modelden farklı olarak, Moment birden fazla görev için ön eğitilmiştir, bu da uygulamalarda such as tahmini, sınıflandırma, anormallik algılama ve doldurmanın etkinliğini artırır. Tam Python deposu ve Jupyter notebook kodu kamu tarafından erişilebilir.

Sonuç

Zaman serisi tahmini, finanstan sağlığa kadar çeşitli alanlarda önemli bir araçtır, tarihi kalıplara dayalı olarak bilgilendirilmiş kararlar alınmasını sağlar. TimesFM, Chronos, Moment, Lag-Llama ve Moirai gibi gelişmiş temel modeller, transformer mimarilerini ve çeşitli eğitim veri kümelerini kullanarak doğru tahmini ve analizi sağlar. Bu modeller, zaman serisi analizi geleceğine bir bakış sunar, işletmeleri ve araştırmacıları karmaşık veri manzaralarını etkili bir şekilde gezinmek için güçlü araçlarla donatır.