引言
當今時代，人工智能從根本上重塑了預測分析，使預測比以往任何時候都更加精確。所有行業的企業都在利用人工智能的廣泛能力來預測未來趨勢，并為即將到來的事情做好準備。
任何預測的準確性都取決于許多因素：人工智能算法的復雜性、預測模型的穩健性，以及它們所訓練的數據的質量和數量，等等。
Nixtla公司開發的開源產品TimeGPT（https://docs.nixtla.io/?ref=hackernoon.com）是一個專門為預測時間序列數據而設計的生成式預訓練模型。這是一種強大的模型資產，可以讓你更準確地預測未來的結果，讓你擁有先見之明，能夠幫助你利用即將到來的機會避開可能的陷阱。
下面，我們將對TimeGPT展開細致入微的介紹，從各個角度對其進行分析，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是一個用于時間序列數據預測的預訓練生成模型，它的核心功能是根據歷史數據預測時間序列中的未來值。
該應用程序按順序處理數據，使用窗口技術來分析歷史數據點并實現模式識別。這使它能夠通過外推這些已識別的模式來預測未來的價值。
TimeGPT概述
- 創新的預訓練：Nixtla的TimeGPT將預訓練的模型應用于時間序列數據，使用收集的數據在沒有特定訓練的情況下預測新的數據集，這與傳統模型有所不同。
- 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過了許多傳統模型。
- 高效預測：通過使用先進的神經網絡，TimeGPT提供了高效的預測，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需要的時間和資源。
- 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性的潛力，從而實現在新數據出現時仍然能夠保持預測結果的準確性。
TimeGPT的功能和優勢
作為領先的預測分析模型之一，TimeGPT提供了各種獨特的高級功能，使其成為管理復雜預測場景的強大工具。其中包括：
- 異常檢測
特點：利用預測建模技術，TimeGPT擅長識別時間序列數據中的異常模式或異常值，這些模式或異常通常指示重大但意外的事件。
優點：這一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，確保預測模型保持準確可靠，即使存在某些偏差。
- 外源變量處理
特點：TimeGPT可以將外部因素或外部變量（如零售銷售預測的天氣條件）納入其分析中。
優點：通過考慮外部因素的影響，這種能力可以進行更細致、更準確的預測，這在外部因素顯著影響數據趨勢的情況下尤其有用。
- 微調
特點：雖然TimeGPT是一個預先訓練的模型，但它提供了微調功能，以適應特定的數據集或獨特的預測需求。
優點：此功能使用戶能夠更緊密地根據自己的具體需求定制模型，從而提高預測結果在特定環境中的準確性和相關性。
- 歷史預測
功能：TimeGPT可以分析過去的數據以生成歷史預測，使用戶可以了解模型如何預測過去的事件。
優點：這對驗證模型的準確性和可靠性特別有益，讓用戶對其未來預測充滿信心。
管理復雜的預測場景
TimeGPT所具有的功能使得其在處理節假日、特殊日期和不規則時間戳等復雜場景時尤其適合。
- 假期和特殊日期：這些事件會對時間序列數據的趨勢產生重大影響。TimeGPT檢測異常并結合外源變量的能力有助于準確預測這些日期前后的情況，并考慮到它們的獨特影響。
- 不規則時間戳：時間序列數據有時可能是不規則的或有缺失的數據。TimeGPT復雜的算法可以處理這種不規則性，即使在數據不一致的情況下也能確保一致和準確的預測。
在MindsDB中部署TimeGPT模型
開源數據庫MindsDB是一個從企業數據構建自定義人工智能的優秀平臺。它的工作原理是，將任何數據源與任何AI/ML模型或框架連接起來，并自動化實時數據在它們之間的流動方式。
MindsDB將數據源與TimeGPT等高級AI/ML模型連接起來。這使開發者能夠輕松創建、訓練和管理這些模型，使其對那些在機器學習方面經驗最少的人特別有益。
要將TimeGPT集成到MindsDB，首先需要使用以下語句創建TimeGPT ML引擎，并提供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CREATEMODEL語句來創建、訓練和部署TimeGPT模型。
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，您就可以開始查詢模型以獲取預測結果了：
SELECT m.date_column, m.column_to_be_predicted
FROM data_table AS d
JOIN model_table AS m
WHERE d.date_column > LATEST;借助于MindsDB，您可以通過自動化方式進行預測，并為任何下游用途不斷生成預測。當您擁有定期更新的動態數據時，這個工具尤其有用。然后，應該根據最新數據對模型進行微調，以提供盡可能準確的預測結果。
在下面的腳本中，我們創建一個作業，使用最新數據對模型進行微調，并將每日預測保存在數據庫表中。
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;要查看完整的示例，請訪問我們的文檔頁面（https://docs.mindsdb.com/integrations/ai-engines/timegpt?ref=hackernoon.com#example）。此外，您可以在地址https://docs.mindsdb.com/sql/tutorials/house-sales-forecasting?ref=hackernoon.com處找到更多類似的預測用例。
如何在預測分析中使用TimeGPT ？
當今世界，公司必須足夠敏捷，才能夠對每分鐘的市場變化做出反應。使用類似于TimeGPT支持的技術預測分析技術能夠幫助您保持領先，甚至為您帶來競爭優勢。
目前來看，企業可以在如下一些關鍵領域使用TimeGPT，包括：
- 財務預測
TimeGPT在處理和解釋基于時間的數據方面的熟練程度使其能夠在波動的金融領域進行更精確的預測。它能夠識別金融數據集中的當前趨勢和細微差別，從而有助于制定更明智的投資策略。
- 需求預測
在零售業和制造業等行業，TimeGPT有助于預測產品需求。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。
- 異常檢測
該模型的順序學習方法被證明在檢測異常方面是有利的，比如為了網絡安全而發現網絡流量中的異常模式，或者為了預測性維護而識別機器性能異常。這一功能對于在潛在問題加劇之前避免這些問題至關重要。
預測分析 場景舉例
以下是使用TimeGPT進行準確性預測分析方面的幾個典型的應用場景舉例。
- 股市分析：與傳統的股價預測方法相比，TimeGPT表現良好，可成為投資者和分析師的有力助手。
- 醫療保健趨勢預測：它可以預測醫療保健趨勢，這對醫療資源的分配和規劃很重要。
- 供應鏈優化：TimeGPT可以預測未來物流需求趨勢，從而提高物流效率并降低成本。
- 零售客戶行為分析：它還能夠預測零售購買趨勢，有助于庫存管理和定向營銷。
- 制造預測性維護：TimeGPT可幫助識別潛在的設備故障，最大限度地減少停機時間和維護成本。
真實世界中的TimeGPT
如今的互聯網時代，全球業務比以往任何時候都更加復雜并相互關聯。一個行業的一個錯誤舉動可能會在其他幾個行業產生連鎖反應，這使得公司利用預測分析來預測、準備和應對未來事件至關重要。
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，TimeGPT已被證明是進行更準確預測分析的有效工具。
總之，將TimeGPT與MindsDB集成到一起可以創建一個強大的組合，從而直接在業務數據庫中增強預測見解的準確性和適用性。這使得您能夠靈活地預測和快速應對快速發展的全球市場。
那么，到底TimeGPT會如何處理您公司的數據呢？點擊此處鏈接https://docs.mindsdb.com/sql/tutorials/monthly-expediture-timegpt?ref=hackernoon.com，您可以查看更細致的針對性教程。
譯者介紹
朱先忠，51CTO社區編輯，51CTO專家博客、講師，濰坊一所高校計算機教師，自由編程界老兵一枚。
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。
