Nixtla    

🚀 快速开始

https://github.com/Nixtla/nixtla/assets/4086186/163ad9e6-7a16-44e1-b2e9-dab8a0b7b6b6

安装 nixtla 的 SDK

pip install nixtla>=0.7.0

导入库并加载数据

import pandas as pd
from nixtla import NixtlaClient

使用 TimeGPT 进行预测的 3 个简单步骤

# Get your API Key at https://nixtla.io/free-trial?utm_source=nixtla.io&utm_campaign=/docs/readme

# 1. Instantiate the NixtlaClient
nixtla_client = NixtlaClient(api_key = 'YOUR API KEY HERE')

# 2. Read historic electricity demand data
df = pd.read_csv('https://raw.githubusercontent.com/Nixtla/transfer-learning-time-series/main/datasets/electricity-short.csv')

# 3. Forecast the next 24 hours
fcst_df = nixtla_client.forecast(df, h=24, level=[80, 90])

# 4. Plot your results (optional)
nixtla_client.plot(df, fcst_df, level=[80, 90])

使用 TimeGPT 进行异常检测的 3 个简单步骤

# Get your API Key at https://nixtla.io/free-trial?utm_source=nixtla.io&utm_campaign=/docs/readme

# 1. Instantiate the NixtlaClient
nixtla_client = NixtlaClient(api_key = 'YOUR API KEY HERE')

# 2. Read Data # Wikipedia visits of NFL Star (
df = pd.read_csv('https://datasets-nixtla.s3.amazonaws.com/peyton-manning.csv')


# 3. Detect Anomalies
anomalies_df = nixtla_client.detect_anomalies(df, time_col='timestamp', target_col='value', freq='D')

# 4. Plot your results (optional)
nixtla_client.plot(df, anomalies_df,time_col='timestamp', target_col='value')

🤓 其他语言的 API 支持

探索我们的 API 参考文档，了解如何在包括 JavaScript、Go 等在内的各种编程语言中利用 TimeGPT。

❄️ Snowflake 部署

直接在您的 Snowflake 环境中运行 TimeGPT。部署脚本会创建存储过程和 UDTF（用户定义表函数），使您能够在不移出基础设施的情况下对 Snowflake 数据进行预测和异常检测。

pip install nixtla[snowflake]
python -m nixtla.scripts.snowflake_install_nixtla

该脚本将指导您设置外部访问集成、配置 API 密钥，并将预测组件部署到您指定的数据库和模式中。

🔥 功能与能力

• 零样本推理（Zero-shot Inference）：TimeGPT 开箱即用即可生成预测和检测异常，无需先前的训练数据。这使得任何时间序列数据都能立即部署并获得快速洞察。

• 微调（Fine-tuning）：通过在特定数据集上微调模型来增强 TimeGPT 的能力，使模型能够适应您独特时间序列数据的细微差别，并在定制任务上提高性能。

• API 访问：通过我们强大的 API 将 TimeGPT 无缝集成到您的应用程序中。即将推出的 Azure Studio 支持将提供更灵活的集成选项。或者，在您自己的基础设施上部署 TimeGPT，以保持对数据和流程的完全控制。

• 添加外生变量（Exogenous Variables）：纳入可能影响您预测的额外变量以提高预测准确性。（例如：特殊日期、事件或价格）

• 多系列预测：同时预测多个时间序列数据，优化工作流程和资源。

• 自定义损失函数（Loss Function）：使用自定义损失函数定制微调过程，以满足特定的性能指标。

• 交叉验证（Cross Validation）：实施开箱即用的交叉验证技术，以确保模型的鲁棒性和泛化性。

• 预测区间：在预测中提供区间，以有效量化不确定性。

• 不规则时间戳（Timestamps）：处理具有不规则时间戳的数据，无需预处理即可适应非均匀间隔序列。

📚 带有示例和用例的文档

深入我们的 综合文档，探索 TimeGPT 的示例和实际用例。我们的文档涵盖广泛的主题，包括：

• 入门：从我们用户友好的 快速入门指南 开始，轻松学习如何 设置您的 API 密钥 (API key)。

• 高级技巧：掌握高级预测方法，并通过我们的教程学习如何通过 异常检测 (anomaly detection)、使用特定 损失函数 (loss functions) 微调模型以及在分布式框架（如 Spark, Dask 和 Ray）上扩展计算来提升模型准确性。

• 专业主题：探索专业主题，例如 处理外生变量 (exogenous variables)、通过 交叉验证 (cross-validation) 进行模型验证，以及 不确定性下的预测 (forecasting under uncertainty) 策略。

• 现实世界应用：通过 预测网络流量 和 预测比特币价格 的案例研究，揭示 TimeGPT 如何在现实场景中应用。

🗞️ TimeGPT1 革新预测与异常检测

时间序列数据 (time series data) 在金融、医疗、气象和社会科学等多个领域都至关重要。无论是监测海洋潮汐还是追踪道琼斯指数的每日收盘值，时间序列数据对于预测和决策都至关重要。

传统的分析方法，如 ARIMA、ETS、MSTL、Theta、CES，机器学习模型如 XGBoost 和 LightGBM，以及 深度学习 (deep learning) 方法一直是分析师的标准工具。然而，TimeGPT 凭借其卓越的性能、效率和简洁性引入了范式转变。得益于其 零样本推理能力 (zero-shot inference capability)，TimeGPT 简化了分析流程，即使编码经验很少的用户也能轻松上手。

TimeGPT 用户友好且 低代码 (low-code)，允许用户上传时间序列数据，仅用一行代码即可生成预测或检测异常。作为开箱即用的唯一 时间序列分析基础模型 (foundation model)，TimeGPT 可以通过我们的 公共 API (public APIs) 集成，或通过 Azure Studio（即将推出），或部署在您自己的基础设施上。

⚙️ TimeGPT 的架构

自注意力机制 (Self-attention)，由论文《Attention is all you need》引入的革命性概念，是此基础模型的基础。TimeGPT 模型不基于任何现有的 大型语言模型 (LLMs)。它作为一个大型 Transformer 模型 在庞大的时间序列数据集上独立训练，旨在最小化预测误差。

该架构由具有多层结构的 编码器 - 解码器 (encoder-decoder) 组成，每层都有 残差连接 (residual connections) 和 层归一化 (layer normalization)。最后，一个 线性层 (linear layer) 将解码器的输出映射到预测窗口维度。一般的直觉是，基于注意力的机制能够捕捉过去事件的多样性，并正确推断潜在的未来分布。

据我们所知，TimeGPT 是在最大的公开可用时间序列集合上训练的，总共包含超过 1000 亿个数据点。该训练集包含了来自广泛领域的时序数据，包括金融、经济、人口统计、医疗、天气、物联网 (IoT) 传感器数据、能源、网络流量、销售、运输和银行。由于这些多样化的领域，训练数据集包含具有各种特征的时间序列。

---

⚡️ 零样本结果

准确性

TimeGPT 已在超过 30 万个独特序列上测试了其 零样本推理 (zero-shot inference) 能力，这涉及在不针对测试数据集进行额外 微调 (fine-tuning) 的情况下使用该模型。TimeGPT 优于一系列成熟的统计模型和前沿深度学习模型，在各种频率下始终排名前三。

易用性

TimeGPT 通过使用预训练模型提供简单快速的预测，这也表现出色。这与通常需要广泛训练和预测管道的其他模型形成鲜明对比。

效率与速度

对于零样本推理，我们的内部测试记录显示 TimeGPT 的平均 GPU 推理速度为每个序列 0.6 毫秒，几乎与简单的 季节性朴素法 (Seasonal Naive) 持平。

📝 如何引用？

如果您发现 TimeGPT 对您的研究有用，请考虑引用相关的 论文：

@misc{garza2023timegpt1,
      title={TimeGPT-1},
      author={Azul Garza and Max Mergenthaler-Canseco},
      year={2023},
      eprint={2310.03589},
      archivePrefix={arXiv},
      primaryClass={cs.LG}
}

🎉 功能与提及

TimeGPT 已出现在许多出版物中，并因其对时间序列预测的创新方法而受到认可。以下是一些功能和提及：

• TimeGPT 革新时间序列预测
• TimeGPT：首个时间序列预测基础模型
• TimeGPT：利用生成模型革新时间序列预测
• Turing Post 上的 TimeGPT
• AWS 活动上的 TimeGPT 演示
• TimeGPT：让时间序列机器学习触手可及 - 播客
• The Data Exchange 上的 TimeGPT
• TimeGPT 如何利用 AI 变革预测分析
• TimeGPT：首个基础模型 - AI Horizon Forecast

🔖 许可证

TimeGPT 是闭源的。但是，此 SDK (软件开发工具包) 是开源的，并根据 Apache 2.0 许可证 提供。欢迎贡献（查看 贡献 指南了解更多详情）。

🏷️ 归属声明

NixtlaClient 可用于访问由 Google、Amazon、IBM、Datadog 和 NXAI 技术提供支持的服务。所有商标均归其各自所有者所有。

📞 联系我们

如有任何问题或反馈，欢迎随时通过 ops [at] nixtla.io 与我们联系。

Nixtla (TimeGPT-1) 快速上手指南

Nixtla 提供的 TimeGPT-1 是首个面向时间序列预测和异常检测的生成式基础模型。它无需训练即可直接进行推理，适用于零售、电力、金融等多个领域。

环境准备

• Python 版本: 建议 Python 3.8 及以上
• 核心依赖: pandas
• 网络要求: 需能访问外部 API 服务（调用 TimeGPT 接口）

安装步骤

使用 pip 安装最新版本的 SDK：

pip install nixtla>=0.7.0

💡 提示: 国内用户若下载较慢，可考虑配置国内镜像源（如清华源）：

pip install nixtla>=0.7.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

在使用前，请先前往 Nixtla 官网 注册并获取免费的 API Key。

1. 时间序列预测

只需 3 步即可完成预测：实例化客户端、加载数据、调用预测接口。

import pandas as pd
from nixtla import NixtlaClient

# 1. 初始化客户端 (替换为你的 API KEY)
nixtla_client = NixtlaClient(api_key='YOUR_API_KEY_HERE')

# 2. 读取历史数据 (示例：电力需求数据)
df = pd.read_csv('https://raw.githubusercontent.com/Nixtla/transfer-learning-time-series/main/datasets/electricity-short.csv')

# 3. 预测未来 24 小时
fcst_df = nixtla_client.forecast(df, h=24, level=[80, 90])

# 4. 可视化结果 (可选)
nixtla_client.plot(df, fcst_df, level=[80, 90])

2. 异常检测

同样支持零样本异常检测，识别数据中的异常点。

from nixtla import NixtlaClient

# 1. 初始化客户端
nixtla_client = NixtlaClient(api_key='YOUR_API_KEY_HERE')

# 2. 读取数据 (示例：Peyton Manning 的维基百科访问量)
df = pd.read_csv('https://datasets-nixtla.s3.amazonaws.com/peyton-manning.csv')

# 3. 检测异常
anomalies_df = nixtla_client.detect_anomalies(
    df, 
    time_col='timestamp', 
    target_col='value', 
    freq='D'
)

# 4. 可视化结果 (可选)
nixtla_client.plot(df, anomalies_df, time_col='timestamp', target_col='value')

更多高级功能（如微调、多系列预测、Snowflake 部署等）请参考 官方文档。