時間序列預測與TimeGPT

與傳統的機器學習任務相比，時間序列的時間序列提出了獨特的挑戰。 構建有效的模型通常需要復雜的功能工程，包括窗口和滯後的創建，但是即使使用LSTMS和GRU等複雜的技術，性能也可以保持次優。 對於諸如股票市場預測之類的波動領域尤其如此。

輸入TimeGpt，這是一種旨在解決這些限制的尖端基礎模型。 TimeGPT提供了最先進的預測功能，甚至可以很好地推廣到看不見的數據集。

>本教程探討了TimeGPT的體系結構，培訓方法和基準結果。 我們將演示如何利用Nixtla API來訪問TimeGpt進行預測，異常檢測，可視化和模型評估。

作者的圖像| canva

>

開始，從TimeGpt

開始 通過Nixtla API（而非開源）專門訪問

TimeGPT。 本節指導您通過API設置並預測Amazon庫存數據。 >

>從dashboard.nixtla.io獲取API密鑰（需要創建帳戶）。 雖然目前免費，但適用API呼叫限制。

>

在您的編碼環境中配置環境變量（例如，Datacamp的Datalab）。 用密鑰添加

變量。 >

2. TIMEGPT_API_KEY

安裝必要的python庫：

3. >使用您的API鍵初始化Nixtla客戶端。
>

>下載並準備亞馬遜庫存數據：

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

數據跨度從1997年到現在。

<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>

可視化股票價格數據：

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

>執行預測（24天的地平線，商務日頻率）：>

繪圖實際與預測數據（Zoomed-In View）：>

<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的預測準確性是顯而易見的。

8. （詳細介紹澳大利亞電力需求示例的原始響應的其餘部分，省略了，但按照上述模式可以通過類似的解釋和重組。 總而言之，TimeGPT為時間序列預測提供了強大且易於訪問的解決方案，簡化了各種規模的企業的過程。 它易於通過Nixtla API使用，可以隨時提供高級預測功能，而無需廣泛的機器學習專業知識。

以上是時間序列預測與TimeGPT的詳細內容。更多資訊請關注PHP中文網其他相關文章！