الوصف
GluonTS هي مكتبة Python مفتوحة المصدر مصممة لنمذجة السلاسل الزمنية الاحتمالية، مع تركيز قوي على الأساليب القائمة على التعلم العميق. تم بناؤها على أطر عمل التعلم العميق الشائعة، PyTorch و MXNet، مما يوفر المرونة والقوة للباحثين والممارسين في مجال تحليل السلاسل الزمنية.
قراءة المزيد
التركيز الأساسي لـ GluonTS هو تمكين التنبؤ الاحتمالي، مما يعني أنها تنشئ تنبؤات ليست كتقديرات نقطية فردية، بل كتوزيعات احتمالية. هذا يسمح للمستخدمين بفهم عدم اليقين المرتبط بتنبؤاتهم، وتوفير رؤى قيمة من خلال فترات التنبؤ، مثل نطاقات 50٪ و 90٪. هذه القدرة ضرورية للتطبيقات التي يكون فيها فهم المخاطر والثقة أمرًا بالغ الأهمية.
توفر المكتبة مجموعة من الأدوات لمعالجة البيانات وتدريب النماذج والتنبؤ. تدعم هياكل التعلم العميق المختلفة المستخدمة عادة في التنبؤ بالسلاسل الزمنية. يوضح مثال مقدم تدريب نموذج DeepAR على مجموعة بيانات ركاب الطيران، ويوضح كيفية تقسيم البيانات وتدريب النموذج وتصور التنبؤات الاحتمالية. التثبيت مباشر عبر pip، مع خيارات لتضمين دعم لنماذج PyTorch أو MXNet.
يتم تطوير GluonTS بنشاط، مع إرشادات واضحة للمساهمات. يشجع المشروع المستخدمين على الاستشهاد بالأوراق البحثية ذات الصلة في منشوراتهم العلمية. الوثائق شاملة، وتقدم إصدارات مستقرة وإصدارات تطوير، بالإضافة إلى العديد من الدروس التعليمية ومواد ورش العمل التي تغطي مواضيع من الاستخدام الأساسي إلى تقنيات التعلم العميق المتقدمة للتنبؤ.
في الآونة الأخيرة، أصدر الفريق وراء GluonTS Chronos، وهي مجموعة من النماذج المدربة مسبقًا للتنبؤ بالسلاسل الزمنية بدون تدريب مسبق (zero-shot). يمكن لـ Chronos إنشاء تنبؤات احتمالية دقيقة للسلاسل الزمنية الجديدة دون الحاجة إلى بيانات تدريب محددة لتلك السلاسل، مما يمثل تقدمًا كبيرًا في هذا المجال.
- الفئةنماذج الذكاء الاصطناعي ونماذج اللغة الكبيرة
- نموذج التسعيرمفتوح المصدر
- النشرسحابي, استضافة ذاتية
- المنصاتالويب
الميزات الأساسية لـ GluonTS
نمذجة السلاسل الزمنية الاحتمالية
نماذج قائمة على التعلم العميق
دعم PyTorch و MXNet
التنبؤ بالسلاسل الزمنية بدون تدريب مسبق (Zero-shot) مع Chronos
إنشاء توزيعات احتمالية للتنبؤات
فترات التنبؤ (50٪ و 90٪)
أدوات معالجة وتقسيم البيانات
قدرات تدريب النماذج والتنبؤ
حزمة Python لتحليل السلاسل الزمنية
مكتبة مفتوحة المصدر
البدء مع GluonTS
تثبيت GluonTS: استخدم pip للتثبيت مع دعم PyTorch أو MXNet.
تحميل البيانات: قم بإعداد بيانات السلاسل الزمنية الخاصة بك، على سبيل المثال، باستخدام Pandas.
تقسيم البيانات: قسّم مجموعة البيانات الخاصة بك إلى مجموعات تدريب واختبار.
تحديد المقدر (Estimator): اختر وقم بتكوين مقدر نموذج تعلم عميق.
تدريب النموذج: قم بتدريب المقدر المحدد على بيانات التدريب الخاصة بك.
إجراء التنبؤات: استخدم النموذج المدرب لإنشاء تنبؤات احتمالية.
تصور النتائج: ارسم التنبؤات، بما في ذلك القيم الحقيقية وفترات التنبؤ.
حالات استخدام GluonTS
- التنبؤ الاحتمالي
- نمذجة السلاسل الزمنية
- التنبؤ بدون تدريب مسبق (Zero-Shot)
- التنبؤ بالطلب
- التنبؤ المالي
- تخصيص الموارد
