雷

!pip install -Uqq nixtla fugue[ray]

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

在 Ray 上分布式运行 TimeGPT

Ray 是一个开源统一计算框架，用于扩展 Python 工作负载。在本指南中，我们将解释如何在 Ray 之上使用 TimeGPT。

大纲：

安装
加载数据
初始化 Ray
在 Ray 上使用 TimeGPT
关闭 Ray

if not IN_COLAB:
    load_dotenv()
    colab_badge('docs/tutorials/19_computing_at_scale_ray_distributed')

1. 安装

通过Fugue安装Ray。Fugue提供了一个易于使用的分布式计算接口，使用户能够在多个分布式计算框架上执行Python代码，包括Ray。

Note

您可以使用 pip 安装 fugue：

pip install fugue[ray]

如果在分布式 Ray 集群上执行，请确保在所有工作节点上都安装了 nixtla 库。

2. 加载数据

您可以将数据加载为 pandas DataFrame。在本教程中，我们将使用一个包含来自不同市场的每小时电力价格的数据集。

import pandas as pd

df = pd.read_csv(
    'https://raw.githubusercontent.com/Nixtla/transfer-learning-time-series/main/datasets/electricity-short.csv',
    parse_dates=['ds'],
) 
df.head()

	unique_id	ds	y
0	BE	2016-10-22 00:00:00	70.00
1	BE	2016-10-22 01:00:00	37.10
2	BE	2016-10-22 02:00:00	37.10
3	BE	2016-10-22 03:00:00	44.75
4	BE	2016-10-22 04:00:00	37.10

3. 初始化 Ray

初始化 Ray 并将 pandas DataFrame 转换为 Ray DataFrame。

import ray
from ray.cluster_utils import Cluster

ray_cluster = Cluster(
    initialize_head=True,
    head_node_args={"num_cpus": 2}
)
ray.init(address=ray_cluster.address, ignore_reinit_error=True)

2024-05-10 11:09:17,240 WARNING cluster_utils.py:157 -- Ray cluster mode is currently experimental and untested on Windows. If you are using it and running into issues please file a report at https://github.com/ray-project/ray/issues.
2024-05-10 11:09:19,076 INFO worker.py:1564 -- Connecting to existing Ray cluster at address: 127.0.0.1:63694...
2024-05-10 11:09:19,092 INFO worker.py:1740 -- Connected to Ray cluster. View the dashboard at 127.0.0.1:8265

ray_df = ray.data.from_pandas(df)
ray_df

4. 在Ray上使用TimeGPT

在Ray之上使用TimeGPT与非分布式情况下几乎相同。唯一的区别是您需要使用Ray数据框。

首先，实例化NixtlaClient类。

from nixtla import NixtlaClient

nixtla_client = NixtlaClient(
    # defaults to os.environ.get("NIXTLA_API_KEY")
    api_key = 'my_api_key_provided_by_nixtla'
)

👍 使用 Azure AI 端点

要使用 Azure AI 端点，请设置 base_url 参数：

nixtla_client = NixtlaClient(base_url="你的 Azure AI 端点", api_key="你的 API 密钥")

if not IN_COLAB:
    nixtla_client = NixtlaClient()

然后使用 NixtlaClient 类中的任何方法，例如 forecast 或 cross_validation。

%%capture
fcst_df = nixtla_client.forecast(ray_df, h=12)

📘 Azure AI 中可用模型

如果您正在使用 Azure AI 端点，请确保设置 model="azureai":

nixtla_client.forecast(..., model="azureai")

对于公共 API，我们支持两种模型：timegpt-1 和 timegpt-1-long-horizon。

默认情况下，使用 timegpt-1。有关如何以及何时使用 timegpt-1-long-horizon 的信息，请参见本教程。

为了可视化结果，使用 to_pandas 方法将 Ray 的输出转换为 pandas DataFrame。

fcst_df.to_pandas().tail()

	unique_id	ds	TimeGPT
55	NP	2018-12-24 07:00:00	55.387066
56	NP	2018-12-24 08:00:00	56.115517
57	NP	2018-12-24 09:00:00	56.090714
58	NP	2018-12-24 10:00:00	55.813717
59	NP	2018-12-24 11:00:00	55.528519

%%capture
cv_df = nixtla_client.cross_validation(ray_df, h=12, freq='H', n_windows=5, step_size=2)

cv_df.to_pandas().tail()

	unique_id	ds	cutoff	TimeGPT
295	NP	2018-12-23 19:00:00	2018-12-23 11:00:00	53.632019
296	NP	2018-12-23 20:00:00	2018-12-23 11:00:00	52.512775
297	NP	2018-12-23 21:00:00	2018-12-23 11:00:00	51.894035
298	NP	2018-12-23 22:00:00	2018-12-23 11:00:00	51.06572
299	NP	2018-12-23 23:00:00	2018-12-23 11:00:00	50.32592

您还可以在 Ray 上使用 TimeGPT 的外生变量。要做到这一点，请参考外生变量教程。请记住，您需要使用 Ray 数据框，而不是使用 pandas 数据框。

5. 关闭 Ray

完成后，关闭 Ray 会话。

ray.shutdown()

Give us a ⭐ on Github