TimeGptによる時系列予測

時系列予測は、従来の機械学習タスクと比較して独自の課題を提示します。 効果的なモデルを構築するには、多くの場合、ウィンドウィングやラグの作成など、複雑な機能エンジニアリングが必要ですが、LSTMSやGrusなどの洗練されたテクニックでも、パフォーマンスは最適ではありません。 これは、株式市場の予測などの揮発性ドメインに特に当てはまります。

これらの制限に対処するために設計された最先端の基礎モデルであるTimeGptを入力します。 TimeGPTは、最先端の予測機能を提供し、目に見えないデータセットによく一般化することさえあります。 このチュートリアルでは、TimeGPTのアーキテクチャ、トレーニング方法、およびベンチマークの結果を調査します。 NIXTLA APIを活用して、予測、異常検出、視覚化、およびモデル評価のためにTimeGPTにアクセスする方法を示します。

著者による画像|キャンバ

timegpt

から始める

TimeGptは、NIXTLA API（オープンソースではなく）からのみアクセスされます。 このセクションでは、APIのセットアップとAmazonストックデータの予測をガイドします。

dashboard.nixtla.io（アカウント作成が必要）からAPIキーを取得します。 現在無料ですが、APIコール制限が適用されます

1. コーディング環境内で環境変数を構成します（DatacampのDatalabなど）。 キーに
変数を追加します。

2. TIMEGPT_API_KEY必要なPythonライブラリをインストールする：

APIキーを使用してNIXTLAクライアントを初期化します

Amazonストックデータをダウンロードして準備：

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

データは、1997年から現在までに及びます。

株価データを視覚化します：

<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>

6. 予測（24日間の地平線、営業日頻度）を実行します：

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

7. 実際のデータと予測されたデータ（ズームインビュー）をプロット：

<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>

TimeGPTの予測精度は明らかです。

8. （オーストラリアの電力需要の例を詳述した元の応答の残りの部分は簡潔にしますが、構造と重要な要素は、上記のパターンに従って同様に言い換えられ、再編成される可能性があります。） 結論として、TimeGptは時系列予測のための強力でアクセス可能なソリューションを提供し、あらゆる規模のビジネスのプロセスを簡素化します。 NIXTLA APIによる使いやすさにより、広範な機械学習の専門知識を必要とせずに、高度な予測機能が容易に利用可能になります。

以上がTimeGptによる時系列予測の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。