时间序列预测与TimeGPT

与传统的机器学习任务相比，时间序列的时间序列提出了独特的挑战。 构建有效的模型通常需要复杂的功能工程，包括窗口和滞后的创建，但是即使使用LSTMS和GRU等复杂的技术，性能也可以保持次优。 对于诸如股票市场预测之类的波动领域尤其如此。

输入TimeGpt，这是一种旨在解决这些限制的尖端基础模型。 TimeGPT提供了最先进的预测功能，甚至可以很好地推广到看不见的数据集。

>本教程探讨了TimeGPT的体系结构，培训方法和基准结果。 我们将演示如何利用Nixtla API来访问TimeGpt进行预测，异常检测，可视化和模型评估。

作者的图像| canva

>

开始，从TimeGpt

开始 通过Nixtla API（而非开源）专门访问

TimeGPT。 本节指导您通过API设置并预测Amazon库存数据。>

>从dashboard.nixtla.io获取API密钥（需要创建帐户）。 虽然目前免费，但适用API呼叫限制。

>

在您的编码环境中配置环境变量（例如，Datacamp的Datalab）。 用密钥添加

变量。>

2. TIMEGPT_API_KEY

安装必要的python库：

3. >使用您的API键初始化Nixtla客户端。
>

>下载并准备亚马逊库存数据：

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

数据跨度从1997年到现在。

<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>

可视化股票价格数据：

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

>执行预测（24天的地平线，商务日频率）：>

绘图实际与预测数据（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的预测准确性是显而易见的。

8. （详细介绍澳大利亚电力需求示例的原始响应的其余部分，省略了，但按照上述模式可以通过类似的解释和重组。 总而言之，TimeGPT为时间序列预测提供了强大且易于访问的解决方案，简化了各种规模的企业的过程。 它易于通过Nixtla API使用，可以随时提供高级预测功能，而无需广泛的机器学习专业知识。

以上是时间序列预测与TimeGPT的详细内容。更多信息请关注PHP中文网其他相关文章！