Descrição
GluonTS é uma biblioteca Python de código aberto projetada para modelagem probabilística de séries temporais, com forte ênfase em abordagens baseadas em deep learning. Ela é construída sobre frameworks populares de deep learning, PyTorch e MXNet, oferecendo flexibilidade e poder a pesquisadores e praticantes na área de análise de séries temporais.
Ler mais
O foco principal do GluonTS é permitir a previsão probabilística, o que significa que ele gera predições não como estimativas pontuais únicas, mas como distribuições de probabilidade. Isso permite que os usuários compreendam a incerteza associada às suas previsões, fornecendo insights valiosos através de intervalos de predição, como faixas de 50% e 90%. Essa capacidade é crucial para aplicações onde a compreensão de risco e confiança é primordial.
A biblioteca fornece um conjunto de ferramentas para manipulação de dados, treinamento de modelos e predição. Ela suporta várias arquiteturas de deep learning comumente usadas em previsão de séries temporais. Um exemplo fornecido demonstra o treinamento de um modelo DeepAR no conjunto de dados de passageiros aéreos, mostrando como dividir dados, treinar o modelo e visualizar previsões probabilísticas. A instalação é simples via pip, com opções para incluir suporte para modelos PyTorch ou MXNet.
GluonTS é ativamente desenvolvido, com diretrizes claras para contribuições. O projeto incentiva os usuários a citarem artigos relevantes em suas publicações científicas. A documentação é abrangente, oferecendo versões estáveis e de desenvolvimento, juntamente com inúmeros tutoriais e materiais de workshop cobrindo tópicos desde o uso básico até técnicas avançadas de deep learning para previsão.
Recentemente, a equipe por trás do GluonTS lançou o Chronos, um conjunto de modelos pré-treinados para previsão de séries temporais zero-shot. O Chronos pode gerar predições probabilísticas precisas para novas séries temporais sem exigir dados de treinamento específicos para essas séries, representando um avanço significativo na área.
- CategoriaModelos de IA e LLMs
- Modelo de preçosCódigo aberto
- ImplantaçãoNuvem, Auto-hospedado
- PlataformasWeb
Recursos principais de GluonTS
Modelagem probabilística de séries temporais
Modelos baseados em deep learning
Suporte para PyTorch e MXNet
Previsão de séries temporais zero-shot com Chronos
Geração de distribuições de probabilidade para previsões
Intervalos de predição (50% e 90%)
Utilitários para manipulação e divisão de dados
Capacidades de treinamento e predição de modelos
Pacote Python para análise de séries temporais
Biblioteca de código aberto
Primeiros passos com GluonTS
Instalar GluonTS: Use pip para instalar com suporte PyTorch ou MXNet.
Carregar Dados: Prepare seus dados de séries temporais, por exemplo, usando Pandas.
Dividir Dados: Separe seu conjunto de dados em conjuntos de treinamento e teste.
Definir Estimador: Escolha e configure um estimador de modelo de deep learning.
Treinar Modelo: Treine o estimador selecionado com seus dados de treinamento.
Fazer Predições: Use o modelo treinado para gerar previsões probabilísticas.
Visualizar Resultados: Plote as previsões, incluindo valores reais e intervalos de predição.
Casos de uso de GluonTS
- Previsão Probabilística
- Modelagem de Séries Temporais
- Previsão Zero-Shot
- Previsão de Demanda
- Previsão Financeira
- Alocação de Recursos
