研究人员开发时间序列基金会AI模型以预测未来
喜欢指数的未来？加入我们的Xpotential社区，通过Xpotential University的课程进行未来的证明，阅读有关指数技术和趋势，连接，观看Keynote或浏览我的博客。
时间序列的预测，或者换句话（试图预测未来）在零售，金融，制造业和医疗保健等各个行业的关键决策过程中起着至关重要的作用。但是，与自然语言处理（NLP）和图像识别等领域相比，高级人工智能（AI）技术纳入时间序列的预测相对较慢。尽管基础AI在自然语言处理和图像识别等领域取得了重大进展，但其对时间序列预测的影响一直受到限制。然而，现在专门针对时间序列预测量身定制的基础模型的开发发展势头越来越大。本文将讨论时间序列预测的基础AI的不断发展的景观，并探讨该领域的最新进展。
时间序列数据是指在常规时间间隔收集或记录的一系列数据点。这种类型的数据在各个领域都普遍存在，例如经济学，天气，健康等。时间序列中的每个数据点都有时间戳记，并且序列通常用于分析随着时间的推移趋势，模式和季节性变化。
时间序列预测涉及使用历史数据来预测该系列中的未来价值。这是统计和机器学习中的关键方法，有助于根据过去的模式做出明智的决策。预测可以像将相同的增长率投射到未来一样简单，也可以像使用AI模型基于复杂的模式和外部因素来预测未来趋势一样复杂。
时间序列预测的某些应用如下：
金融市场：在金融中，时间序列预测用于预测股票价格，汇率和市场趋势。投资者和分析师使用历史数据来预测未来的运动并做出交易决策。
天气预报：气象部门使用时间序列数据来预测天气状况。通过分析过去的天气数据，它们可以预测未来的天气模式，为农业，旅行和灾难管理的计划和决策提供帮助。
销售和营销：企业利用时间序列预测来预测未来的销售，需求和消费者行为。这有助于库存管理，设定销售目标并制定营销策略。
能源公司：能源公司预测需求和供应，以优化生产和分销。时间序列预测有助于预测能耗模式，实现有效的能源管理和计划。
医疗保健：在医疗保健领域，时间序列预测用于预测疾病爆发，患者入院和医疗库存要求。这有助于医疗计划，资源分配和政策制定。
基础AI模型是广泛的预训练模型，构成了各种AI应用的基础。它们在大型且多样化的数据集上进行了培训，使它们能够辨别数据中的模式，连接和结构。“基础”一词是指通过对任务或域进行微调或修改的能力，并进行了最少的额外培训。在预测时间序列的背景下，这些模型与大型语言模型（LLMS）相似，使用变压器体系结构。像LLM一样，他们受过训练，可以预测数据序列中的后续元素或缺失元素。但是，与llms（通过变压器层一起处理文本）不同，基础时间序列模型将连续时间点的序列视为令牌，从而使它们可以顺序处理时间序列数据。
最近，为时间序列数据开发了各种基础模型。通过更好地理解和选择适当的基础模型，我们可以更有效，有效地利用其能力。在随后的部分中，我们将探索可用于时间序列数据分析的不同基础模型。
TimesFM：由Google Research开发，TimesFM是一个只有2亿个参数的基础模型。该模型在1000亿实际时间点的数据集上进行了培训，其中包括来自Google趋势和Wikipedia PageViews等各种来源的合成和实际数据。TimesFM能够在多个领域的零射门预测，包括零售，金融，制造业，医疗保健和自然科学，跨不同的时间粒度。Google打算在其Google Cloud Vertex AI平台上发布TimesFM，并向外部客户提供复杂的预测功能。
lag-llama：由蒙特利尔大学（Mila-QuébecAI Institute和McGill University）的研究人员创建，Lag-Llama是一种基础模型，旨在为单变量概率时间序列序列预测。该模型以骆驼为基础为基础，采用了仅解码器的变压器体系结构，该体系结构使用可变大小的时间滞后和时间分辨率进行预测。该模型经过来自六个不同群体的多个来源的不同时间序列数据集的培训，包括能源，运输，经济学，自然，空气质量和云操作。该模型可通过HuggingFace库便利地访问。
Moirai：由Salesforce AI Research开发的Moirai是一种基础时间序列模型，旨在通用预测。Moirai接受了大规模开放时间序列档案（Lotsa）数据集的培训，该数据集包含来自9个不同域的270亿个观测值，使其成为开放时间序列数据集的最大集合。这个不同的数据集使Moirai可以从广泛的时间序列数据中学习，从而使其能够处理不同的预测任务。Moirai使用多个补丁大小投影层来捕获各种频率的时间模式。Moirai的一个重要方面是使用任何变化的注意机制，允许在任何数量的变量上进行预测。与Moirai相关的代码，模型权重和数据可在GitHub存储库中获得，称为“ UNI2TS”
Chronos：由亚马逊开发，Chronos是时间序列预测的预先训练的概率模型的集合。这些模型建立在T5变压器体系结构上，使用4096代币的词汇量，并具有不同的参数，从800万到7.1亿。计时是在高斯流程产生的大量公共和合成数据上预估计的。计时与TimesFM的不同之处在于它是一个编码器模型，它可以从时间序列数据中提取编码器嵌入。计时可以轻松地集成到Python环境中，并通过其API访问。
时刻：由卡内基·梅隆大学（Carnegie Mellon University）和宾夕法尼亚大学（University of Pennsylvania）合作开发，Moment是一个开源基础时间序列模型的家族。它利用T5体系结构的变化，包括小型，基础和大版本，基本模型包含了约1.25亿个参数。该模型对广泛的“时间序列堆”进行了预训练，这是一系列遍布各个领域的公共时间序列数据。与许多其他基础模型不同，力矩已在各种任务上进行了预训练，从而增强了其在预测，分类，异常检测和插补等应用中的有效性。完整的Python存储库和Jupyter笔记本电脑代码可公开使用该模型。
时间序列预测是从金融到医疗保健的各个领域的至关重要的工具，可以根据历史模式实现明智的决策。高级基础模型，例如TimesFM，Chronos，Moment，Lag-Lalama和Moirai，提供复杂的功能，利用变压器体系结构和多样化的培训数据集，以进行准确的预测和分析。这些模型可以瞥见时间序列分析的未来，赋予企业和研究人员的能力，并使用强大的工具有效地浏览复杂的数据景观。
