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.
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.
Destaques de Documentação do 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 Documentação do 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 Documentação do GluonTS
- Previsão Probabilística
- Modelagem de Séries Temporais
- Previsão Zero-Shot
- Previsão de Demanda
- Previsão Financeira
- Alocação de Recursos
