Prévision des séries chronologiques avec TimeGpt

Les prévisions de séries chronologiques présentent des défis uniques par rapport aux tâches traditionnelles d'apprentissage automatique. La construction de modèles efficaces nécessite souvent une ingénierie des caractéristiques complexes, y compris la création de fenêtres et la création de décalage, mais les performances peuvent rester sous-optimales, même avec des techniques sophistiquées comme LSTMS et GRUS. Cela est particulièrement vrai pour les domaines volatils comme la prédiction des marchés boursiers.

Entrez TimeGpt, un modèle fondamental de pointe conçu pour répondre à ces limitations. TimeGpt offre des capacités de prévision de pointe, même en généralisant bien aux ensembles de données invisibles.

Ce tutoriel explore l'architecture de TimeGpt, la méthodologie de formation et les résultats de référence. Nous allons montrer comment tirer parti de l'API Nixtla pour accéder à la prévision du temps pour la prévision, la détection des anomalies, la visualisation et l'évaluation du modèle.

Image par auteur | Canva

Début avec TimeGpt

TimeGpt est accessible exclusivement via l'API Nixtla (pas open-source). Cette section vous guide à travers la configuration de l'API et la prévision des données de stock Amazon.

1. Obtenez une touche API à Dashboard.nixtla.io (Création de compte requise). Bien que actuellement gratuit, les limites d'appel API s'appliquent.

2. Configurer les variables d'environnement dans votre environnement de codage (par exemple, Datacamp's Datalab). Ajoutez la variable TIMEGPT_API_KEY avec votre clé.

3. Installez les bibliothèques Python nécessaires:

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

4. Initialisez le client Nixtla à l'aide de votre clé API.
5. Téléchargez et préparez les données des stocks Amazon:

<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>

Les données s'étendent de 1997 à nos jours.

6. Visualisez les données du cours de l'action:

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

7. Effectuer des prévisions (horizon 24 jours, fréquence des jours d'affaires):

<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. tracer les données réelles par rapport aux données prévues (vue zoomée):

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

La précision de la prédiction de TimeGpt est évidente.

(Le reste de la réponse originale détaillant l'exemple de demande d'électricité australienne est omis pour la concision, mais la structure et les éléments clés pourraient être de la même manière paraphrasés et réorganisés en suivant le modèle ci-dessus.)

En conclusion, TimeGpt offre une solution puissante et accessible pour les prévisions de séries chronologiques, simplifiant le processus pour les entreprises de toutes tailles. Sa facilité d'utilisation via l'API Nixtla rend les capacités de prévision avancées facilement disponibles sans nécessiter une expertise approfondie d'apprentissage automatique.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!