Una nuova era per le serie temporali
Google è appena entrato nella corsa ai modelli di base per le previsioni delle serie temporali.
Nell’agosto 2023, la comunità delle serie temporali è stata interrotta dal rilascio di OraGPTIl primo modello di base di Nixtla per la previsione delle serie temporali.
Seguente OraGPTSono stati rilasciati diversi modelli di previsione di base, ma ce n’è uno che si è distinto. Recentemente, Google ha presentato TimesFM(1)un modello di serie temporali rivoluzionario con risultati fenomenali.
Le serie temporali sono onnipresenti, utilizzate in molti settori come vendita al dettaglio, domanda di energia, economia, sanità e altro ancora. Un modello TS di base può essere facilmente applicato a qualsiasi caso TS con grande precisione, come GPT-4 per il testo.
In questo articolo, discutiamo:
- Le sfide dei modelli di fondazione nelle serie temporali rispetto alla PNL.
- Come TimesFM supera queste sfide.
- Come TimesFM funziona e perché è un modello potente.
- TimesFM risultati di riferimento.
- Prospettive per il futuro dei modelli di fondazione nella previsione delle serie temporali
Iniziamo.
Ho lanciato Previsioni dell’orizzonte AI, una newsletter incentrata sulle serie temporali e sulla ricerca innovativa sull’intelligenza artificiale. sottoscrivi Qui per ampliare i tuoi orizzonti!
Il concetto di un promettente modello di base nella PNL era già evidente con il rilascio di GPT-2 in I modelli linguistici sono studenti multitasking senza supervisione (2).
Ma nelle serie temporali, costruire un modello di base non è semplice. Ci sono diverse sfide:
- Scarsità del set di dati: Nella PNL, trovare dati di testo è facile. Tuttavia, i set di dati delle serie temporali pubbliche non sono prontamente disponibili.
- Formato imprevedibile: I modelli linguistici si basano su grammatiche e vocabolari ben definiti. I dati delle serie temporali possono appartenere a domini con caratteristiche diverse, ad esempio vendite molto sparse o dati finanziari volatili.
- Diverse granularità: Ogni modello di serie temporale funziona per una granularità specifica, ad esempio oraria, settimanale, mensile…
Fonte: towardsdatascience.com
