Beschreibung
GluonTS ist eine Open-Source-Python-Bibliothek, die für die probabilistische Zeitreihenmodellierung entwickelt wurde und einen starken Fokus auf Deep-Learning-basierte Ansätze legt. Sie basiert auf den beliebten Deep-Learning-Frameworks PyTorch und MXNet und bietet Forschern und Praktikern im Bereich der Zeitreihenanalyse Flexibilität und Leistungsfähigkeit.
Weiterlesen
Der Hauptzweck von GluonTS ist die Ermöglichung probabilistischer Prognosen, d. h. es generiert Vorhersagen nicht als einzelne Punktwerte, sondern als Wahrscheinlichkeitsverteilungen. Dies ermöglicht es den Benutzern, die Unsicherheit im Zusammenhang mit ihren Prognosen zu verstehen und wertvolle Einblicke durch Vorhersageintervalle, wie z. B. 50 %- und 90 %-Bereiche, zu gewinnen. Diese Fähigkeit ist entscheidend für Anwendungen, bei denen das Verständnis von Risiko und Vertrauen von größter Bedeutung ist.
Die Bibliothek bietet eine Reihe von Werkzeugen für die Datenverarbeitung, das Modelltraining und die Vorhersage. Sie unterstützt verschiedene Deep-Learning-Architekturen, die üblicherweise für die Zeitreihenprognose verwendet werden. Ein bereitgestelltes Beispiel zeigt das Training eines DeepAR-Modells auf dem Air-Passengers-Datensatz und demonstriert, wie Daten aufgeteilt, das Modell trainiert und probabilistische Prognosen visualisiert werden. Die Installation ist einfach über pip möglich, mit Optionen zur Unterstützung von PyTorch- oder MXNet-Modellen.
GluonTS wird aktiv entwickelt, mit klaren Richtlinien für Beiträge. Das Projekt ermutigt Benutzer, relevante wissenschaftliche Arbeiten in ihren Publikationen zu zitieren. Die Dokumentation ist umfassend und bietet stabile und Entwicklungsversionen sowie zahlreiche Tutorials und Workshop-Materialien, die Themen von der grundlegenden Nutzung bis hin zu fortgeschrittenen Deep-Learning-Techniken für die Prognose abdecken.
Kürzlich hat das GluonTS-Team Chronos veröffentlicht, eine Suite von vortrainierten Modellen für Zero-Shot-Zeitreihenprognosen. Chronos kann genaue probabilistische Vorhersagen für neue Zeitreihen generieren, ohne dass spezifische Trainingsdaten für diese Serien erforderlich sind, was einen bedeutenden Fortschritt in diesem Bereich darstellt.
- KategorieKI-Modelle & LLMs
- PreismodellOpen Source
- BereitstellungCloud, Selbst gehostet
- PlattformenWeb
GluonTS's Kernfunktionen
Probabilistische Zeitreihenmodellierung
Deep-Learning-basierte Modelle
Unterstützung für PyTorch und MXNet
Zero-Shot-Zeitreihenprognose mit Chronos
Generierung von Wahrscheinlichkeitsverteilungen für Prognosen
Vorhersageintervalle (50 % und 90 %)
Werkzeuge zur Datenverarbeitung und -aufteilung
Funktionen für Modelltraining und Vorhersage
Python-Paket für Zeitreihenanalyse
Open-Source-Bibliothek
Erste Schritte mit GluonTS
GluonTS installieren: Verwenden Sie pip zur Installation mit PyTorch- oder MXNet-Unterstützung.
Daten laden: Bereiten Sie Ihre Zeitreihendaten vor, z. B. mit Pandas.
Daten aufteilen: Teilen Sie Ihren Datensatz in Trainings- und Testsets auf.
Schätzer definieren: Wählen und konfigurieren Sie einen Deep-Learning-Modellschätzer.
Modell trainieren: Trainieren Sie den ausgewählten Schätzer mit Ihren Trainingsdaten.
Vorhersagen treffen: Verwenden Sie das trainierte Modell, um probabilistische Prognosen zu generieren.
Ergebnisse visualisieren: Plotten Sie Prognosen, einschließlich tatsächlicher Werte und Vorhersageintervalle.
GluonTS's Anwendungsfälle
- Probabilistische Prognose
- Zeitreihenmodellierung
- Zero-Shot-Prognose
- Nachfrageprognose
- Finanzprognose
- Ressourcenallokation
