想了解更多AIGC的內(nèi)容，請(qǐng)?jiān)L問：
人工智能對(duì)預(yù)測分析產(chǎn)生了根本性的影響，使得預(yù)測比以往任何時(shí)候都更加精確。各行各業(yè)都在充分利用人工智能的強(qiáng)大能力，以預(yù)測未來趨勢并為即將到來的事情做好準(zhǔn)備。
然而，預(yù)測的準(zhǔn)確性取決于多個(gè)因素，包括人工智能算法的復(fù)雜性、預(yù)測模型的穩(wěn)健性以及訓(xùn)練數(shù)據(jù)的質(zhì)量和數(shù)量，僅舉幾例。
Nixtla（注：一家專注于時(shí)間序列預(yù)測和軟件開發(fā)的美國初創(chuàng)公司）的TimeGPT是一種生成性預(yù)訓(xùn)練模型，專門為預(yù)測時(shí)間序列數(shù)據(jù)而設(shè)計(jì)。它是一個(gè)功能強(qiáng)大的工具，能夠幫助用戶以更高的精度預(yù)測未來的趨勢，讓您更具遠(yuǎn)見，能夠充分利用即將到來的機(jī)會(huì)，同時(shí)規(guī)避潛在的風(fēng)險(xiǎn)。
接下來，我們將對(duì)TimeGPT進(jìn)行深入分析，從各個(gè)角度探討其特性，并展示如何將其與數(shù)據(jù)庫集成，以最大限度地發(fā)揮預(yù)測分析的全部潛力。
什么是TimeGPT
TimeGPT是一種預(yù)訓(xùn)練的生成模型，專門用于預(yù)測時(shí)間序列數(shù)據(jù)。它的主要功能是根據(jù)歷史數(shù)據(jù)預(yù)測時(shí)間序列的未來值。這種能力使得TimeGPT成為一個(gè)在預(yù)測分析領(lǐng)域中不可或缺的工具。
TimeGPT按順序處理數(shù)據(jù)，采用窗口技術(shù)分析歷史數(shù)據(jù)點(diǎn)并識(shí)別其中的模式。通過推斷這些已識(shí)別的模式，TimeGPT能夠預(yù)測時(shí)間序列的未來值。
TimeGPT的概述
- 創(chuàng)新的預(yù)訓(xùn)練：TimeGPT將預(yù)訓(xùn)練模型應(yīng)用于時(shí)間序列數(shù)據(jù)，這使得它能夠在沒有特定訓(xùn)練的情況下，使用已收集的數(shù)據(jù)預(yù)測新數(shù)據(jù)集。這與傳統(tǒng)模型的工作方式有所不同。
- 高級(jí)模式識(shí)別：TimeGPT擅長識(shí)別時(shí)間序列數(shù)據(jù)中的復(fù)雜模式，在趨勢、季節(jié)性和異常檢測方面超越了許多傳統(tǒng)模型。
- 高效預(yù)測：TimeGPT通過使用高級(jí)神經(jīng)網(wǎng)絡(luò)提供高效的預(yù)測，通過消除特定于數(shù)據(jù)集的再訓(xùn)練，減少了時(shí)間序列分析通常所需的時(shí)間和資源。
- 持續(xù)學(xué)習(xí)和適應(yīng)：與靜態(tài)傳統(tǒng)模型不同，TimeGPT 具有持續(xù)學(xué)習(xí)和適應(yīng)的潛力，能夠在新數(shù)據(jù)出現(xiàn)時(shí)保持預(yù)測的準(zhǔn)確性。
TimeGPT的特性和優(yōu)勢
作為一種領(lǐng)先的預(yù)測分析模型，TimeGPT具備多項(xiàng)獨(dú)特的高級(jí)功能，使其成為處理復(fù)雜預(yù)測場景的強(qiáng)大工具。以下是一些關(guān)鍵特性和優(yōu)勢：
異常檢測：
- 特性：TimeGPT利用預(yù)測建模技術(shù)，能夠識(shí)別時(shí)間序列數(shù)據(jù)中的異常模式或異常值，這通常表明發(fā)生了重大且意外的事件。
- 優(yōu)勢：此功能對(duì)于企業(yè)和分析師快速檢測和響應(yīng)異常事件至關(guān)重要。即使存在異常，模型仍能保持準(zhǔn)確和可靠。
外生變量處理：
- 特性：TimeGPT可以將外部因素或外部變量（例如零售預(yù)測中的天氣條件）納入分析。
- 優(yōu)勢：通過考慮外部因素的影響，TimeGPT能夠進(jìn)行更細(xì)致和準(zhǔn)確的預(yù)測。這在外部因素顯著影響數(shù)據(jù)趨勢的情況下尤為有用。
微調(diào)：
- 特性：盡管TimeGPT是一個(gè)預(yù)訓(xùn)練模型，但它提供了微調(diào)的能力，以適應(yīng)特定數(shù)據(jù)集或獨(dú)特的預(yù)測需求。
- 優(yōu)勢：用戶可以根據(jù)特定要求定制模型，從而提高在特定環(huán)境中的預(yù)測準(zhǔn)確性和相關(guān)性。
歷史預(yù)測：
- 特性：TimeGPT可以分析過去的數(shù)據(jù)，生成歷史預(yù)測，讓用戶了解模型如何預(yù)測過去的事件。
- 優(yōu)勢：TimeGPT的歷史預(yù)測功能可以幫助用戶驗(yàn)證模型的準(zhǔn)確性和可靠性。通過了解模型如何預(yù)測過去的事件，用戶可以對(duì)模型的未來預(yù)測結(jié)果充滿信心。
管理復(fù)雜的預(yù)測場景
當(dāng)處理復(fù)雜場景（例如假期、特殊日期和不規(guī)則時(shí)間戳）時(shí)，TimeGPT的功能非常有用。
- 假期和特殊日期：這些事件對(duì)時(shí)間序列數(shù)據(jù)的趨勢產(chǎn)生顯著影響。TimeGPT具備檢測異常并結(jié)合外部變量的能力，從而準(zhǔn)確預(yù)測這些日期，并考慮到其對(duì)數(shù)據(jù)產(chǎn)生的獨(dú)特影響。
- 不規(guī)則時(shí)間戳：時(shí)間序列數(shù)據(jù)有時(shí)可能是不規(guī)則的，或者存在缺失的數(shù)據(jù)點(diǎn)。TimeGPT的復(fù)雜算法可以處理這種不規(guī)則性，即使在不統(tǒng)一的數(shù)據(jù)下也能確保一致且準(zhǔn)確的預(yù)測結(jié)果。
在MindsDB中部署TimeGPT模型
MindsDB是一個(gè)構(gòu)建自定義AI的平臺(tái)，它能夠從企業(yè)數(shù)據(jù)中提取價(jià)值。它的工作方式是將任何數(shù)據(jù)源與任何AI/ML模型或框架連接起來，并自動(dòng)化它們之間的實(shí)時(shí)數(shù)據(jù)流動(dòng)。
MindsDB將數(shù)據(jù)源與TimeGPT等先進(jìn)的AI/機(jī)器學(xué)習(xí)模型連接起來。這使得用戶可以輕松創(chuàng)建、訓(xùn)練和管理這些模型，對(duì)于那些在機(jī)器學(xué)習(xí)方面經(jīng)驗(yàn)較少的人來說，這特別有益。
將TimeGPT集成到MindsDB，首先使用以下語句創(chuàng)建TimeGPT ML引擎，然后提供TimeGPT API密鑰。
CREATE ML_ENGINE timegpt_engine
FROM timegpt
USING timegpt_api_key =‘timegpt-api-key’;接下來，用戶可以使用CREATE MODEL語句來創(chuàng)建、訓(xùn)練和部署TimeGPT模型。一旦模型創(chuàng)建并訓(xùn)練完成，您就可以查詢模型以獲取預(yù)測。
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';現(xiàn)在您可以查詢模型以獲取預(yù)測：
SELECT m.date_column, m.column_to_be_predicted
FROM data_table AS d
JOIN model_table AS m
WHERE d.date_column > LATEST;使用MindsDB，您可以自動(dòng)化預(yù)測流程，并持續(xù)為任何下游應(yīng)用生成預(yù)測。這在您有定期更新的動(dòng)態(tài)數(shù)據(jù)時(shí)特別有用。隨著新數(shù)據(jù)的不斷涌入，您應(yīng)該利用這些最新數(shù)據(jù)對(duì)模型進(jìn)行微調(diào)，以確保預(yù)測的準(zhǔn)確性。
在這里，我們創(chuàng)建了一個(gè)作業(yè)，該作業(yè)使用最新的數(shù)據(jù)對(duì)模型進(jìn)行微調(diào)，并將每日的預(yù)測結(jié)果保存在數(shù)據(jù)庫表中。
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;要查看完整示例和更多的預(yù)測用例，您可以訪問我們的文檔頁面。在那里，您將找到豐富的信息和實(shí)用的指南。
如何在預(yù)測分析中使用TimeGPT
企業(yè)必須具備靈活性，以應(yīng)對(duì)市場的每一分鐘變化。利用預(yù)測分析技術(shù)，如TimeGPT所支持的技術(shù)，可以幫助您領(lǐng)先一步，甚至為您帶來競爭優(yōu)勢。
企業(yè)可以在以下幾個(gè)關(guān)鍵領(lǐng)域中利用TimeGPT，包括：
財(cái)務(wù)預(yù)測
TimeGPT在處理和解釋基于時(shí)間的數(shù)據(jù)方面表現(xiàn)出色，這使得它在預(yù)測金融市場波動(dòng)方面更為精確。它能夠識(shí)別金融數(shù)據(jù)集中的當(dāng)前趨勢和細(xì)微變化，從而幫助制定更明智的投資策略。
需求預(yù)測
在零售和制造業(yè)等行業(yè)，TimeGPT能夠預(yù)測產(chǎn)品需求，這對(duì)于庫存管理、供應(yīng)鏈優(yōu)化和戰(zhàn)略規(guī)劃至關(guān)重要。通過分析歷史銷售數(shù)據(jù)和市場趨勢，TimeGPT可以預(yù)測未來的需求模式，幫助企業(yè)有效地做好準(zhǔn)備和適應(yīng)變化。
異常檢測
該模型的順序?qū)W習(xí)方法在檢測異常方面表現(xiàn)出優(yōu)勢，例如發(fā)現(xiàn)網(wǎng)絡(luò)安全流量的異常模式，或者識(shí)別機(jī)器性能異常以進(jìn)行預(yù)測性維護(hù)。這一功能對(duì)于在潛在問題惡化之前進(jìn)行干預(yù)至關(guān)重要。
預(yù)測分析場景
以下是使用TimeGPT進(jìn)行精確預(yù)測分析的一些應(yīng)用場景：
- 股票市場分析：相比于傳統(tǒng)的股票價(jià)格預(yù)測方法，TimeGPT的表現(xiàn)更優(yōu)，能夠?yàn)橥顿Y者和分析師提供有力的支持。
- 醫(yī)療保健趨勢預(yù)測：TimeGPT能夠預(yù)測醫(yī)療保健趨勢，這對(duì)于資源的有效分配和規(guī)劃至關(guān)重要。
- 供應(yīng)鏈優(yōu)化：TimeGPT能夠預(yù)測未來的物流需求，從而提高效率并降低成本。
- 零售客戶行為分析：TimeGPT能夠預(yù)測零售購買趨勢，從而幫助進(jìn)行庫存管理和有針對(duì)性的營銷。
- 制造預(yù)測性維護(hù)：TimeGPT能夠識(shí)別潛在的設(shè)備故障，從而最大程度地減少停機(jī)時(shí)間和維護(hù)成本。
現(xiàn)實(shí)世界中的TimeGPT
全球業(yè)務(wù)的復(fù)雜性和相互關(guān)聯(lián)性比以往任何時(shí)候都更強(qiáng)。一個(gè)行業(yè)的錯(cuò)誤決策可能會(huì)對(duì)其他多個(gè)行業(yè)產(chǎn)生連鎖反應(yīng)，這使得企業(yè)必須利用預(yù)測分析來預(yù)測、準(zhǔn)備和應(yīng)對(duì)未來的事件。
TimeGPT憑借其先進(jìn)的時(shí)間序列分析、深度學(xué)習(xí)功能、自適應(yīng)學(xué)習(xí)和可定制的可擴(kuò)展模型，已被證明是進(jìn)行更準(zhǔn)確預(yù)測分析的有效工具。
將TimeGPT與MindsDB集成，形成了一個(gè)強(qiáng)大的組合工具，大大提高了在業(yè)務(wù)數(shù)據(jù)庫中進(jìn)行預(yù)測洞察的準(zhǔn)確性和適用性。這種集成也可以幫助用戶能夠靈活地進(jìn)行預(yù)測，并快速響應(yīng)全球市場的快速發(fā)展，這種靈活性和快速響應(yīng)能力對(duì)于在競爭激烈的全球市場中保持領(lǐng)先地位至關(guān)重要。
譯者介紹
劉濤，51CTO社區(qū)編輯，某大型央企系統(tǒng)上線檢測管控負(fù)責(zé)人。
原文標(biāo)題：How TimeGPT Transforms Predictive Analytics with AI，作者：Jorge Torres
鏈接：https://hackernoon.com/how-timegpt-transforms-predictive-analytics-with-ai 。
