3,844 讀數

TimeGPT 如何利用 AI 改变预测分析

经过 Jorge Torres6m2024/03/20

太長; 讀書

使用 Nixtla 和 MindsDB 让每个预测更加精确。

人工智能从根本上重塑了预测分析，使预测比以往任何时候都更加精确。

各行各业的企业都在利用人工智能的广泛功能来预测未来趋势并为即将发生的事情做好准备。

任何预测的准确性都取决于许多因素：人工智能算法的复杂性、预测模型的稳健性以及所训练数据的质量和数量等等。

Nixtla 的 TimeGPT是一种生成式预训练模型，专为预测时间序列数据而设计。它是一项强大的资产，可让您更准确地预测未来结果，让您有远见地利用即将到来的机会并避开可能的陷阱。

下面，我们将仔细观察 TimeGPT，从各个角度对其进行分析，并展示如何将其与数据库集成，以最大限度地发挥预测分析的全部潜力。

什么是时间GPT？

TimeGPT 是一个用于时间序列数据预测的预训练生成模型。其核心功能是根据历史数据预测时间序列中的未来值。

该应用程序使用窗口技术来分析历史数据点并识别模式，按顺序处理数据。这使得它能够通过推断这些已识别的模式来预测未来值。

TimeGPT 概述

创新的预训练：Nixtla 的 TimeGPT 将预训练模型应用于时间序列数据，使用收集到的数据来预测新数据集，无需进行特定训练，这与传统模型不同。
高级模式识别：TimeGPT 擅长识别时间序列数据中的复杂模式，在趋势、季节性和异常检测方面超越了许多传统模型。
高效预测：通过使用先进的神经网络，TimeGPT 提供高效的预测，通过消除特定于数据集的再训练来减少时间序列分析通常所需的时间和资源。
持续学习和适应：与静态传统模型不同，TimeGPT 具有持续学习和适应的潜力，在新数据出现时保持准确性。

TimeGPT 的特点和优点

作为领先的预测分析模型之一，TimeGPT 提供先进的功能，提供各种独特的功能，使其成为管理复杂预测场景的强大资产。这些包括：

异常检测
- 功能：利用预测建模技术，TimeGPT 擅长识别时间序列数据中的异常模式或异常值，这些数据通常表明重大但意外的事件。
- 优点：此功能对于企业和分析师快速检测和响应异常事件至关重要，确保预测模型即使在存在异常的情况下也保持准确和可靠。
外生变量处理
- 特点： TimeGPT 可以将外部因素或外生变量（例如零售销售预测的天气条件）纳入其分析中。
- 好处：此功能可以通过考虑外部因素的影响来进行更细致、更准确的预测，这在外部因素显着影响数据趋势的场景中特别有用。
微调
- 特点：虽然 TimeGPT 是一个预先训练的模型，但它提供了微调功能以适应特定的数据集或独特的预测需求。
- 优点：此功能使用户能够更贴近其特定要求定制模型，从而提高专业环境中预测的准确性和相关性。
历史预测
- 特点： TimeGPT可以分析过去的数据来生成历史预测，让用户了解模型如何预测过去的事件。
- 好处：这对于验证模型的准确性和可靠性特别有利，让用户对其未来的预测充满信心。

管理复杂的预测场景

TimeGPT 的功能在处理假期、特殊日期和不规则时间戳等复杂场景时特别有用。

假期和特殊日期：这些事件可以显着影响时间序列数据的趋势。考虑到这些日期的独特影响，TimeGPT 检测异常和纳入外生变量的能力有助于准确预测这些日期。
不规则时间戳：时间序列数据有时可能不规则或有缺失点。 TimeGPT 复杂的算法可以处理此类不规则情况，即使数据不一致，也能确保一致且准确的预测。

在 MindsDB 中部署 TimeGPT 模型

MindsDB 是一个根据企业数据构建定制人工智能的平台。它的工作原理是将任何数据源与任何人工智能/机器学习模型或框架连接起来，并自动化实时数据在它们之间的流动。

MindsDB 将数据源与先进的 AI/ML 模型（如 TimeGPT）连接起来。这使您可以轻松创建、训练和管理这些模型，这对于那些在机器学习方面经验很少的人特别有利。

将 TimeGPT 集成到 MindsDB 中首先使用以下语句创建 TimeGPT ML 引擎并提供 TimeGPT API 密钥。

 CREATE ML_ENGINE timegpt_engine FROM timegpt USING timegpt_api_key = 'timegpt-api-key';

接下来，用户可以使用CREATE MODEL语句来创建、训练和部署 TimeGPT 模型。

 CREATE MODEL model_table FROM data_source (SELECT * FROM data_table) PREDICT column_to_be_predicted ORDER BY date_column GROUP BY column_name, column_name, ... HORIZON 3 -- model forecasts the next 3 rows USING ENGINE = 'timegpt_engine';

现在您可以查询模型来获取预测：

 SELECT m.date_column, m.column_to_be_predicted FROM data_table AS d JOIN model_table AS m WHERE d.date_column > LATEST;

借助 MindsDB，您可以自动进行预测并不断生成预测以供任何下游使用。当您拥有定期更新的动态数据时，它特别有用。然后，应使用最新数据对模型进行微调，以提供尽可能准确的预测。

在这里，我们创建一个作业，使用最新数据微调模型并将每日预测保存在数据库表中。

 CREATE JOB automate_forecasts ( FINETUNE model_table FROM data_source (SELECT * FROM data_table); CREATE TABLE daily_forecasts_{{START_DATETIME}} ( SELECT m.date_column, m.column_to_be_predicted FROM data_table AS d JOIN model_table AS m WHERE d.date_column > LATEST ) ) EVERY 1 day;

要查看完整的示例，请访问此处的文档页面。您可以在此处找到更多预测用例。