Zeitreihenprognose mit TimeGPT

Zeitreihenprognose stellt im Vergleich zu herkömmlichen Aufgaben des maschinellen Lernens einzigartige Herausforderungen dar. Das Aufbau effektiver Modelle erfordert häufig ein kompliziertes Merkmalstechnik, einschließlich Fenster- und Verzögerungserstellung. Die Leistung kann jedoch auch mit hoch entwickelten Techniken wie LSTMS und Grus suboptimal bleiben. Dies gilt insbesondere für volatile Domänen wie die Vorhersage der Börsenmarkte.

TimeGPT eingeben, ein hochmodernes Grundmodell, das diese Einschränkungen angeht. TIMEGPT bietet hochmoderne Prognosefunktionen, die sogar gut auf unsichtbare Datensätze verallgemeinert werden.

In diesem Tutorial werden die Ergebnisse von TimeGPTs Architektur, Trainingsmethodik und Benchmark -Ergebnissen untersucht. Wir werden demonstrieren, wie die NIXTLA -API nutzen kann, um TIMEGPT für Prognose, Anomalie -Erkennung, Visualisierung und Modellbewertung zuzugreifen.

Bild vom Autor | Canva

Erste Schritte mit TIMEGPT

TIMEGPT wird ausschließlich über die NIXTLA-API (nicht über Open-Source) zugegriffen. Dieser Abschnitt führt Sie durch API -Setup und Prognose von Amazon -Aktiendaten.

1. erhalten Sie eine API -Taste von Dashboard.nixtla.io (Kontoerstellung erforderlich). Während derzeit kostenlos sind, gelten API -Anrufbeschränkungen.

2. Konfigurieren von Umgebungsvariablen in Ihrer Codierungsumgebung (z. B. DataCamps Datalab). Fügen Sie die Variable TIMEGPT_API_KEY mit Ihrem Schlüssel hinzu.

3. Installieren Sie die erforderlichen Python -Bibliotheken:

<code>%%capture
%pip install nixtla>=0.5.1
%pip install yfinance</code>

4. Initialisieren Sie den NIXTLA -Client mit Ihrem API -Schlüssel.
5. Laden Sie Amazon -Aktiendaten herunter und bereiten Sie sie vor:

<code>import pandas as pd
import yfinance as yf
from nixtla import NixtlaClient
import os

timegpt_api_key = os.environ["TIMEGPT_API_KEY"]

nixtla_client = NixtlaClient(api_key=timegpt_api_key)

ticker = 'AMZN'
amazon_stock_data = yf.download(ticker).reset_index()
amazon_stock_data.head()</code>

Die Daten erstrecken sich von 1997 bis heute.

6. visualisieren Sie die Aktienkursdaten:

<code>nixtla_client.plot(amazon_stock_data, time_col='Date', target_col='Close')</code>

7. Prognose durchführen (24-Tage-Horizont, Business-Day-Häufigkeit):

<code>model = nixtla_client.forecast(
    df=amazon_stock_data,
    model="timegpt-1",
    h=24,
    freq="B",
    time_col="Date",
    target_col="Close",
)
model.tail()</code>

8. Plott tatsächliche vs. prognostizierte Daten (Zoomed-In-Ansicht):

<code>nixtla_client.plot(
    amazon_stock_data,
    model,
    time_col="Date",
    target_col="Close",
    max_insample_length=60,
)</code>

Zeitgpts Vorhersagegenauigkeit ist offensichtlich.

(Der Rest der ursprünglichen Antwort, in der das Beispiel für die Kürze für die australische Strombedarfsdatestie ausgelassen wird, aber die Struktur und die Schlüsselelemente können nach dem obigen Muster ähnlich umgezogen und neu organisiert werden.)

Abschließend bietet TimeGPT eine leistungsstarke und zugängliche Lösung für die Zeitreihenprognose und vereinfacht den Prozess für Unternehmen aller Größen. Seine Benutzerfreundlichkeit über die NIXTLA -API macht fortschrittliche Prognosefunktionen leicht verfügbar, ohne ein umfangreiches Fachwissen für maschinelles Lernen zu erfordern.

Das obige ist der detaillierte Inhalt vonZeitreihenprognose mit TimeGPT. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!