TimeGEN-1 快速入门 (Azure)

!pip install -Uqq nixtla

from nixtla.utils import in_colab

IN_COLAB = in_colab()

if not IN_COLAB:
    from nixtla.utils import colab_badge
    from dotenv import load_dotenv

TimeGEN-1 是针对 Azure 基础设施优化的 TimeGPT。它是一个适用于时间序列的、经过预训练的生成型变换器，已经准备好投入生产。它能够在只需几行代码的情况下，准确预测零售、能源、金融和物联网等多个领域 🚀。

if not IN_COLAB:
    load_dotenv()
    colab_badge('docs/getting-started/22_azure_quickstart')

步骤 1：在 Azure 上设置 TimeGEN-1 端点账户并生成 API 密钥

访问 ml.azure.com
登录或在 Microsoft 上创建一个账户
在侧边栏中点击“模型”
在模型目录中搜索“TimeGEN”
选择 TimeGEN-1

点击“部署”，这将创建一个端点

模型目录中的TimeGEN-1。光标位于部署按钮上，指示选择以部署TimeGEN-1。

在侧边栏中转到“端点”，您将在那里看到您的TimeGEN-1端点
在该端点中有您将使用的基本URL和API密钥

端点在侧边面板中突出显示。主面板显示TimeGEN-1端点和API密钥，并带有可以复制信息的按钮。

步骤 2：安装 Nixtla

在您最喜欢的Python开发环境中：

使用 pip 安装 nixtla：

pip install nixtla

步骤 3：导入 Nixtla TimeGPT 客户端

from nixtla import NixtlaClient

您可以实例化 NixtlaClient 类，提供您的身份验证 API 密钥。

nixtla_client = NixtlaClient(
    base_url = "YOUR_BASE_URL",
    api_key = "YOUR_API_KEY"
)

if not IN_COLAB:
    nixtla_client = NixtlaClient()

第4步：开始进行预测！

现在你可以开始进行预测了！让我们使用经典的 AirPassengers 数据集导入一个示例。该数据集包含1949年至1960年间澳大利亚航空公司乘客的月度人数。首先，加载数据集并绘制图形：

import pandas as pd

df = pd.read_csv('https://raw.githubusercontent.com/Nixtla/transfer-learning-time-series/main/datasets/air_passengers.csv')
df.head()

	timestamp	value
0	1949-01-01	112
1	1949-02-01	118
2	1949-03-01	132
3	1949-04-01	129
4	1949-05-01	121

nixtla_client.plot(df, time_col='timestamp', target_col='value')

📘 数据要求

确保目标变量列中没有缺失或非数字值。

在第一个和最后一个时间戳之间（对于给定的频率）不要包含时间戳中的间隙/跳跃。预测函数不会填补缺失的日期。

时间戳列的格式应该是Pandas可读的（有关更多细节，请参见此链接）。

有关更多详情，请访问数据要求。

👍 使用TimeGPT保存图形

plot方法在笔记本环境中会自动显示图形。要将图形保存到本地，可以执行以下操作：

fig = nixtla_client.plot(df, time_col='timestamp', target_col='value')

fig.savefig('plot.png', bbox_inches='tight')

预测更长时间的未来

接下来，使用SDK forecast 方法预测未来12个月。设置以下参数：

df：包含时间序列数据的pandas DataFrame。
h：预测的步骤数。
freq：时间序列的频率，采用Pandas格式。查看pandas可用的频率。（如果不提供频率，SDK会尝试推断）
time_col：标识日期戳的列。
target_col：要预测的变量。

timegpt_fcst_df = nixtla_client.forecast(df=df, h=12, freq='MS', time_col='timestamp', target_col='value')
timegpt_fcst_df.head()

INFO:nixtla.nixtla_client:Validating inputs...
INFO:nixtla.nixtla_client:Preprocessing dataframes...
INFO:nixtla.nixtla_client:Restricting input...
INFO:nixtla.nixtla_client:Calling Forecast Endpoint...

	timestamp	TimeGPT
0	1961-01-01	437.837921
1	1961-02-01	426.062714
2	1961-03-01	463.116547
3	1961-04-01	478.244507
4	1961-05-01	505.646484

nixtla_client.plot(df, timegpt_fcst_df, time_col='timestamp', target_col='value')

您还可以通过增加范围参数并选择 timegpt-1-long-horizon 模型来生成更长的预测。如果您想预测数据的多个季节性周期，请使用此模型。

例如，让我们预测接下来的 36 个月：

timegpt_fcst_df = nixtla_client.forecast(df=df, h=36, time_col='timestamp', target_col='value', freq='MS', model='timegpt-1-long-horizon')
timegpt_fcst_df.head()

INFO:nixtla.nixtla_client:Validating inputs...
INFO:nixtla.nixtla_client:Preprocessing dataframes...
WARNING:nixtla.nixtla_client:The specified horizon "h" exceeds the model horizon. This may lead to less accurate forecasts. Please consider using a smaller horizon.
INFO:nixtla.nixtla_client:Restricting input...
INFO:nixtla.nixtla_client:Calling Forecast Endpoint...

	timestamp	TimeGPT
0	1961-01-01	436.843414
1	1961-02-01	419.351532
2	1961-03-01	458.943146
3	1961-04-01	477.876068
4	1961-05-01	505.656921

nixtla_client.plot(df, timegpt_fcst_df, time_col='timestamp', target_col='value')

提供一个更短的预测

您还可以生成更短期的预测。为此，我们建议使用默认模型 timegpt-1。

timegpt_fcst_df = nixtla_client.forecast(df=df, h=6, time_col='timestamp', target_col='value', freq='MS')
nixtla_client.plot(df, timegpt_fcst_df, time_col='timestamp', target_col='value')

INFO:nixtla.nixtla_client:Validating inputs...
INFO:nixtla.nixtla_client:Preprocessing dataframes...
INFO:nixtla.nixtla_client:Restricting input...
INFO:nixtla.nixtla_client:Calling Forecast Endpoint...

Give us a ⭐ on Github