Esplora il primo modello di previsione generativo preaddestrato e applicalo in un progetto con Python
15 ore fa
Il campo delle previsioni sulle serie temporali sta attraversando un periodo molto entusiasmante. Solo negli ultimi tre anni abbiamo visto molti contributi importanti, come N-BATTITI, N-HiTS, PatchTST E TimesNet.
Allo stesso tempo, modelli linguistici di grandi dimensioni (LLM) hanno guadagnato molta popolarità ultimamente, con applicazioni come ChatGPT, poiché possono adattarsi a un’ampia varietà di attività senza ulteriore formazione.
Il che porta alla domanda: possono esistere modelli di fondazione per le serie temporali come esistono per l’elaborazione del linguaggio naturale? È possibile che un modello di grandi dimensioni pre-addestrato su enormi quantità di dati di serie temporali possa quindi produrre previsioni accurate su dati invisibili?
Con OraGPT-1proposti da Azul Garza e Max Mergenthaler-Canseco, gli autori adattano le tecniche e l’architettura alla base degli LLM al campo delle previsioni, costruendo con successo il primo modello di fondazione di serie temporali in grado di effettuare inferenze zero-shot.
In questo articolo, esploriamo innanzitutto l’architettura dietro TimeGPT e il modo in cui è stato addestrato il modello. Successivamente, lo applichiamo in un progetto di previsione per valutarne le prestazioni rispetto ad altri metodi all’avanguardia, come N-BEATS, N-HiTS e PatchTST.
Per maggiori dettagli, assicurati di leggere il carta originale.
Impara le ultime tecniche di analisi delle serie temporali con my Cheat sheet delle serie temporali gratuite in Python! Ottieni l’implementazione di tecniche statistiche e di deep learning, tutto in Python e TensorFlow!
Iniziamo!
Come accennato in precedenza, TimeGPT è un primo tentativo di creare un modello di base per la previsione delle serie temporali.
Dalla figura sopra, possiamo vedere che l’idea generale alla base di TimeGPT è quella di addestrare un modello su…
Fonte: towardsdatascience.com
