人工智能對預測分析產生了根本性的影響，使得預測比以往任何時候都更加精確。各行各業都在充分利用人工智能的強大能力，以預測未來趨勢并為即將到來的事情做好準備。
然而，預測的準確性取決于多個因素，包括人工智能算法的復雜性、預測模型的穩健性以及訓練數據的質量和數量，僅舉幾例。
Nixtla（注：一家專注于時間序列預測和軟件開發的美國初創公司）的TimeGPT是一種生成性預訓練模型，專門為預測時間序列數據而設計。它是一個功能強大的工具，能夠幫助用戶以更高的精度預測未來的趨勢，讓您更具遠見，能夠充分利用即將到來的機會，同時規避潛在的風險。
接下來，我們將對TimeGPT進行深入分析，從各個角度探討其特性，并展示如何將其與數據庫集成，以最大限度地發揮預測分析的全部潛力。
什么是TimeGPT
TimeGPT是一種預訓練的生成模型，專門用于預測時間序列數據。它的主要功能是根據歷史數據預測時間序列的未來值。這種能力使得TimeGPT成為一個在預測分析領域中不可或缺的工具。
TimeGPT按順序處理數據，采用窗口技術分析歷史數據點并識別其中的模式。通過推斷這些已識別的模式，TimeGPT能夠預測時間序列的未來值。
TimeGPT的概述
- 創新的預訓練：TimeGPT將預訓練模型應用于時間序列數據，這使得它能夠在沒有特定訓練的情況下，使用已收集的數據預測新數據集。這與傳統模型的工作方式有所不同。
- 高級模式識別：TimeGPT擅長識別時間序列數據中的復雜模式，在趨勢、季節性和異常檢測方面超越了許多傳統模型。
- 高效預測：TimeGPT通過使用高級神經網絡提供高效的預測，通過消除特定于數據集的再訓練，減少了時間序列分析通常所需的時間和資源。
- 持續學習和適應：與靜態傳統模型不同，TimeGPT 具有持續學習和適應的潛力，能夠在新數據出現時保持預測的準確性。
TimeGPT的特性和優勢
作為一種領先的預測分析模型，TimeGPT具備多項獨特的高級功能，使其成為處理復雜預測場景的強大工具。以下是一些關鍵特性和優勢：
異常檢測：
- 特性：TimeGPT利用預測建模技術，能夠識別時間序列數據中的異常模式或異常值，這通常表明發生了重大且意外的事件。
- 優勢：此功能對于企業和分析師快速檢測和響應異常事件至關重要。即使存在異常，模型仍能保持準確和可靠。
外生變量處理：
- 特性：TimeGPT可以將外部因素或外部變量（例如零售預測中的天氣條件）納入分析。
- 優勢：通過考慮外部因素的影響，TimeGPT能夠進行更細致和準確的預測。這在外部因素顯著影響數據趨勢的情況下尤為有用。
微調：
- 特性：盡管TimeGPT是一個預訓練模型，但它提供了微調的能力，以適應特定數據集或獨特的預測需求。
- 優勢：用戶可以根據特定要求定制模型，從而提高在特定環境中的預測準確性和相關性。
歷史預測：
- 特性：TimeGPT可以分析過去的數據，生成歷史預測，讓用戶了解模型如何預測過去的事件。
- 優勢：TimeGPT的歷史預測功能可以幫助用戶驗證模型的準確性和可靠性。通過了解模型如何預測過去的事件，用戶可以對模型的未來預測結果充滿信心。
管理復雜的預測場景
當處理復雜場景（例如假期、特殊日期和不規則時間戳）時，TimeGPT的功能非常有用。
- 假期和特殊日期：這些事件對時間序列數據的趨勢產生顯著影響。TimeGPT具備檢測異常并結合外部變量的能力，從而準確預測這些日期，并考慮到其對數據產生的獨特影響。
- 不規則時間戳：時間序列數據有時可能是不規則的，或者存在缺失的數據點。TimeGPT的復雜算法可以處理這種不規則性，即使在不統一的數據下也能確保一致且準確的預測結果。
在MindsDB中部署TimeGPT模型
MindsDB是一個構建自定義AI的平臺，它能夠從企業數據中提取價值。它的工作方式是將任何數據源與任何AI/ML模型或框架連接起來，并自動化它們之間的實時數據流動。
MindsDB將數據源與TimeGPT等先進的AI/機器學習模型連接起來。這使得用戶可以輕松創建、訓練和管理這些模型，對于那些在機器學習方面經驗較少的人來說，這特別有益。
將TimeGPT集成到MindsDB，首先使用以下語句創建TimeGPT ML引擎，然后提供TimeGPT API密鑰。
CREATE ML_ENGINE timegpt_engine
FROM timegpt
USING timegpt_api_key =‘timegpt-api-key’;接下來，用戶可以使用CREATE MODEL語句來創建、訓練和部署TimeGPT模型。一旦模型創建并訓練完成，您就可以查詢模型以獲取預測。
CREATE MODEL model_table
FROM data_source
(SELECT * FROM data_table)
PREDICT column_to_be_predicted
ORDER BY date_column
GROUP BY column_name, column_name, ...
HORIZON 3 -- model forecasts the next 3 rows
USING ENGINE = 'timegpt_engine';現在您可以查詢模型以獲取預測：
SELECT m.date_column, m.column_to_be_predicted
FROM data_table AS d
JOIN model_table AS m
WHERE d.date_column > LATEST;使用MindsDB，您可以自動化預測流程，并持續為任何下游應用生成預測。這在您有定期更新的動態數據時特別有用。隨著新數據的不斷涌入，您應該利用這些最新數據對模型進行微調，以確保預測的準確性。
在這里，我們創建了一個作業，該作業使用最新的數據對模型進行微調，并將每日的預測結果保存在數據庫表中。
CREATE JOB automate_forecasts (
FINETUNE model_table
FROM data_source
(SELECT * FROM data_table);
CREATE TABLE daily_forecasts_{{START_DATETIME}} (
SELECT m.date_column, m.column_to_be_predicted
FROM data_table AS d
JOIN model_table AS m
WHERE d.date_column > LATEST
)
)
EVERY 1 day;要查看完整示例和更多的預測用例，您可以訪問我們的文檔頁面。在那里，您將找到豐富的信息和實用的指南。
如何在預測分析中使用TimeGPT
企業必須具備靈活性，以應對市場的每一分鐘變化。利用預測分析技術，如TimeGPT所支持的技術，可以幫助您領先一步，甚至為您帶來競爭優勢。
企業可以在以下幾個關鍵領域中利用TimeGPT，包括：
財務預測
TimeGPT在處理和解釋基于時間的數據方面表現出色，這使得它在預測金融市場波動方面更為精確。它能夠識別金融數據集中的當前趨勢和細微變化，從而幫助制定更明智的投資策略。
需求預測
在零售和制造業等行業，TimeGPT能夠預測產品需求，這對于庫存管理、供應鏈優化和戰略規劃至關重要。通過分析歷史銷售數據和市場趨勢，TimeGPT可以預測未來的需求模式，幫助企業有效地做好準備和適應變化。
異常檢測
該模型的順序學習方法在檢測異常方面表現出優勢，例如發現網絡安全流量的異常模式，或者識別機器性能異常以進行預測性維護。這一功能對于在潛在問題惡化之前進行干預至關重要。
預測分析場景
以下是使用TimeGPT進行精確預測分析的一些應用場景：
- 股票市場分析：相比于傳統的股票價格預測方法，TimeGPT的表現更優，能夠為投資者和分析師提供有力的支持。
- 醫療保健趨勢預測：TimeGPT能夠預測醫療保健趨勢，這對于資源的有效分配和規劃至關重要。
- 供應鏈優化：TimeGPT能夠預測未來的物流需求，從而提高效率并降低成本。
- 零售客戶行為分析：TimeGPT能夠預測零售購買趨勢，從而幫助進行庫存管理和有針對性的營銷。
- 制造預測性維護：TimeGPT能夠識別潛在的設備故障，從而最大程度地減少停機時間和維護成本。
現實世界中的TimeGPT
全球業務的復雜性和相互關聯性比以往任何時候都更強。一個行業的錯誤決策可能會對其他多個行業產生連鎖反應，這使得企業必須利用預測分析來預測、準備和應對未來的事件。
TimeGPT憑借其先進的時間序列分析、深度學習功能、自適應學習和可定制的可擴展模型，已被證明是進行更準確預測分析的有效工具。
將TimeGPT與MindsDB集成，形成了一個強大的組合工具，大大提高了在業務數據庫中進行預測洞察的準確性和適用性。這種集成也可以幫助用戶能夠靈活地進行預測，并快速響應全球市場的快速發展，這種靈活性和快速響應能力對于在競爭激烈的全球市場中保持領先地位至關重要。
譯者介紹
劉濤，51CTO社區編輯，某大型央企系統上線檢測管控負責人。
原文標題：How TimeGPT Transforms Predictive Analytics with AI，作者：Jorge Torres
鏈接：https://hackernoon.com/how-timegpt-transforms-predictive-analytics-with-ai 。
