Описание
GluonTS — это библиотека Python с открытым исходным кодом, предназначенная для вероятностного моделирования временных рядов, с особым акцентом на подходы, основанные на глубоком обучении. Она построена на базе популярных фреймворков глубокого обучения PyTorch и MXNet, предлагая гибкость и мощь исследователям и практикам в области анализа временных рядов.
Основное внимание GluonTS уделяет обеспечению вероятностного прогнозирования, что означает генерацию предсказаний не в виде одиночных точечных оценок, а в виде распределений вероятностей. Это позволяет пользователям понимать неопределенность, связанную с их прогнозами, предоставляя ценную информацию через доверительные интервалы, такие как диапазоны 50% и 90%. Эта возможность имеет решающее значение для приложений, где понимание риска и уверенности имеет первостепенное значение.
Библиотека предоставляет набор инструментов для обработки данных, обучения моделей и прогнозирования. Она поддерживает различные архитектуры глубокого обучения, обычно используемые в прогнозировании временных рядов. Предоставленный пример демонстрирует обучение модели DeepAR на наборе данных авиапассажиров, показывая, как разделять данные, обучать модель и визуализировать вероятностные прогнозы. Установка проста через pip, с возможностью включить поддержку моделей PyTorch или MXNet.
GluonTS активно разрабатывается, с четкими рекомендациями по внесению вклада. Проект призывает пользователей ссылаться на соответствующие статьи в своих научных публикациях. Документация является исчерпывающей, предлагая стабильные и разрабатываемые версии, а также многочисленные учебные пособия и материалы семинаров, охватывающие темы от базового использования до передовых методов глубокого обучения для прогнозирования.
Недавно команда GluonTS выпустила Chronos — набор предварительно обученных моделей для прогнозирования временных рядов с нулевым выстрелом (zero-shot). Chronos может генерировать точные вероятностные прогнозы для новых временных рядов без необходимости в конкретных обучающих данных для этих рядов, что представляет собой значительный прогресс в этой области.
Главное о Документация GluonTS
Вероятностное моделирование временных рядов
Модели на основе глубокого обучения
Поддержка PyTorch и MXNet
Прогнозирование временных рядов с нулевым выстрелом с помощью Chronos
Генерация распределений вероятностей для прогнозов
Доверительные интервалы (50% и 90%)
Утилиты для обработки и разделения данных
Возможности обучения и прогнозирования моделей
Пакет Python для анализа временных рядов
Библиотека с открытым исходным кодом
Начало работы с Документация GluonTS
Установка GluonTS: Используйте pip для установки с поддержкой PyTorch или MXNet.
Загрузка данных: Подготовьте ваши временные ряды, например, с помощью Pandas.
Разделение данных: Разделите ваш набор данных на обучающую и тестовую выборки.
Определение оценщика: Выберите и настройте оценщик модели глубокого обучения.
Обучение модели: Обучите выбранный оценщик на ваших обучающих данных.
Создание прогнозов: Используйте обученную модель для генерации вероятностных прогнозов.
Визуализация результатов: Постройте графики прогнозов, включая фактические значения и доверительные интервалы.
Варианты использования Документация GluonTS
- Вероятностное прогнозирование
- Моделирование временных рядов
- Прогнозирование с нулевым выстрелом
- Прогнозирование спроса
- Финансовое прогнозирование
- Распределение ресурсов
