Ramalan Siri Masa dengan TimeGPT

Peramalan siri masa memberikan cabaran yang unik berbanding dengan tugas pembelajaran mesin tradisional. Membina model yang berkesan sering memerlukan kejuruteraan ciri yang rumit, termasuk penciptaan tetingkap dan lag, namun prestasi boleh kekal suboptimal, walaupun dengan teknik yang canggih seperti LSTM dan Grus. Ini terutama berlaku untuk domain yang tidak menentu seperti ramalan pasaran saham.

Masukkan TimeGPT, model asas canggih yang direka untuk menangani batasan-batasan ini. TimeGPT menawarkan keupayaan peramalan canggih, bahkan menyamar sebagai dataset yang tidak kelihatan.

Tutorial ini meneroka seni bina TimeGPT, metodologi latihan, dan hasil penanda aras. Kami akan menunjukkan cara memanfaatkan API Nixtla untuk mengakses TimeGPT untuk ramalan, pengesanan anomali, visualisasi, dan penilaian model.

imej oleh pengarang | Canva

Bermula dengan TimeGPT

TimeGPT diakses secara eksklusif melalui API Nixtla (bukan sumber terbuka). Bahagian ini membimbing anda melalui persediaan API dan meramalkan data saham Amazon.

Dapatkan kunci API dari Dashboard.nixtla.io (penciptaan akaun diperlukan). Walaupun kini percuma, had panggilan API dikenakan.

Konfigurasi pembolehubah persekitaran dalam persekitaran pengekodan anda (mis., DataCamp's DataLab). Tambahkan pembolehubah

dengan kunci anda.
2. TIMEGPT_API_KEY

Pasang perpustakaan python yang diperlukan:

Mulakan klien Nixtla menggunakan kekunci API anda.

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

Muat turun dan sediakan data stok Amazon:
Data merangkumi dari tahun 1997 hingga sekarang.

<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>

Bayangkan data harga saham:

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

Lakukan ramalan (cakrawala 24 hari, frekuensi perniagaan):

plot sebenar vs data yang diramalkan (paparan zum):

<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>

ketepatan ramalan TimeGPT jelas.

(selebihnya tindak balas asal yang memperincikan contoh permintaan elektrik Australia ditinggalkan untuk keringkasan, tetapi struktur dan unsur -unsur utama juga dapat dijelaskan dan disusun semula mengikut corak di atas.)

Kesimpulannya, TimeGPT menawarkan penyelesaian yang kuat dan boleh diakses untuk ramalan siri masa, memudahkan proses untuk perniagaan dari semua saiz. Kemudahan penggunaannya melalui API Nixtla menjadikan keupayaan ramalan maju yang tersedia tanpa memerlukan kepakaran pembelajaran mesin yang luas.

Atas ialah kandungan terperinci Ramalan Siri Masa dengan TimeGPT. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!