引言
当今时代，人工智能从根本上重塑了预测分析，使预测比以往任何时候都更加精确。所有行业的企业都在利用人工智能的广泛能力来预测未来趋势，并为即将到来的事情做好准备。
任何预测的准确性都取决于许多因素：人工智能算法的复杂性、预测模型的稳健性，以及它们所训练的数据的质量和数量，等等。
Nixtla公司开发的开源产品TimeGPT（https://docs.nixtla.io/?ref=hackernoon.com）是一个专门为预测时间序列数据而设计的生成式预训练模型。这是一种强大的模型资产，可以让你更准确地预测未来的结果，让你拥有先见之明，能够帮助你利用即将到来的机会避开可能的陷阱。
下面，我们将对TimeGPT展开细致入微的介绍，从各个角度对其进行分析，并展示如何将其与数据库集成，以最大限度地发挥预测分析的全部潜力。
什么是TimeGPT？
TimeGPT是一个用于时间序列数据预测的预训练生成模型，它的核心功能是根据历史数据预测时间序列中的未来值。
该应用程序按顺序处理数据，使用窗口技术来分析历史数据点并实现模式识别。这使它能够通过外推这些已识别的模式来预测未来的价值。
TimeGPT概述
- 创新的预训练：Nixtla的TimeGPT将预训练的模型应用于时间序列数据，使用收集的数据在没有特定训练的情况下预测新的数据集，这与传统模型有所不同。
- 高级模式识别：TimeGPT擅长识别时间序列数据中的复杂模式，在趋势、季节性和异常检测方面超过了许多传统模型。
- 高效预测：通过使用先进的神经网络，TimeGPT提供了高效的预测，通过消除特定于数据集的再训练，减少了时间序列分析通常需要的时间和资源。
- 持续学习和适应：与静态传统模型不同，TimeGPT具有持续学习和适应性的潜力，从而实现在新数据出现时仍然能够保持预测结果的准确性。
TimeGPT的功能和优势
作为领先的预测分析模型之一，TimeGPT提供了各种独特的高级功能，使其成为管理复杂预测场景的强大工具。其中包括：
- 异常检测
特点：利用预测建模技术，TimeGPT擅长识别时间序列数据中的异常模式或异常值，这些模式或异常通常指示重大但意外的事件。
优点：这一功能对于企业和分析师快速检测和响应异常事件至关重要，确保预测模型保持准确可靠，即使存在某些偏差。
- 外源变量处理
特点：TimeGPT可以将外部因素或外部变量（如零售销售预测的天气条件）纳入其分析中。
优点：通过考虑外部因素的影响，这种能力可以进行更细致、更准确的预测，这在外部因素显著影响数据趋势的情况下尤其有用。
- 微调
特点：虽然TimeGPT是一个预先训练的模型，但它提供了微调功能，以适应特定的数据集或独特的预测需求。
优点：此功能使用户能够更紧密地根据自己的具体需求定制模型，从而提高预测结果在特定环境中的准确性和相关性。
- 历史预测
功能：TimeGPT可以分析过去的数据以生成历史预测，使用户可以了解模型如何预测过去的事件。
优点：这对验证模型的准确性和可靠性特别有益，让用户对其未来预测充满信心。
管理复杂的预测场景
TimeGPT所具有的功能使得其在处理节假日、特殊日期和不规则时间戳等复杂场景时尤其适合。
- 假期和特殊日期：这些事件会对时间序列数据的趋势产生重大影响。TimeGPT检测异常并结合外源变量的能力有助于准确预测这些日期前后的情况，并考虑到它们的独特影响。
- 不规则时间戳：时间序列数据有时可能是不规则的或有缺失的数据。TimeGPT复杂的算法可以处理这种不规则性，即使在数据不一致的情况下也能确保一致和准确的预测。
在MindsDB中部署TimeGPT模型
开源数据库MindsDB是一个从企业数据构建自定义人工智能的优秀平台。它的工作原理是，将任何数据源与任何AI/ML模型或框架连接起来，并自动化实时数据在它们之间的流动方式。
MindsDB将数据源与TimeGPT等高级AI/ML模型连接起来。这使开发者能够轻松创建、训练和管理这些模型，使其对那些在机器学习方面经验最少的人特别有益。
要将TimeGPT集成到MindsDB，首先需要使用以下语句创建TimeGPT ML引擎，并提供TimeGPT API密钥。
CREATE ML_ENGINE timegpt_engine
FROM timegpt
USING timegpt_api_key = ‘timegpt-api-key’;接下来，用户可以使用CREATEMODEL语句来创建、训练和部署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';现在，您就可以开始查询模型以获取预测结果了：
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，您可以通过自动化方式进行预测，并为任何下游用途不断生成预测。当您拥有定期更新的动态数据时，这个工具尤其有用。然后，应该根据最新数据对模型进行微调，以提供尽可能准确的预测结果。
在下面的脚本中，我们创建一个作业，使用最新数据对模型进行微调，并将每日预测保存在数据库表中。
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，请访问我们的文档页面（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处找到更多类似的预测用例。
如何在预测分析中使用TimeGPT ？
当今世界，公司必须足够敏捷，才能够对每分钟的市场变化做出反应。使用类似于TimeGPT支持的技术预测分析技术能够帮助您保持领先，甚至为您带来竞争优势。
目前来看，企业可以在如下一些关键领域使用TimeGPT，包括：
- 财务预测
TimeGPT在处理和解释基于时间的数据方面的熟练程度使其能够在波动的金融领域进行更精确的预测。它能够识别金融数据集中的当前趋势和细微差别，从而有助于制定更明智的投资策略。
- 需求预测
在零售业和制造业等行业，TimeGPT有助于预测产品需求。这对于库存管理、供应链优化和战略规划至关重要。通过分析历史销售数据和市场趋势，TimeGPT可以预测未来的需求模式，帮助企业有效地做好准备和适应。
- 异常检测
该模型的顺序学习方法被证明在检测异常方面是有利的，比如为了网络安全而发现网络流量中的异常模式，或者为了预测性维护而识别机器性能异常。这一功能对于在潜在问题加剧之前避免这些问题至关重要。
预测分析 场景举例
以下是使用TimeGPT进行准确性预测分析方面的几个典型的应用场景举例。
- 股市分析：与传统的股价预测方法相比，TimeGPT表现良好，可成为投资者和分析师的有力助手。
- 医疗保健趋势预测：它可以预测医疗保健趋势，这对医疗资源的分配和规划很重要。
- 供应链优化：TimeGPT可以预测未来物流需求趋势，从而提高物流效率并降低成本。
- 零售客户行为分析：它还能够预测零售购买趋势，有助于库存管理和定向营销。
- 制造预测性维护：TimeGPT可帮助识别潜在的设备故障，最大限度地减少停机时间和维护成本。
真实世界中的TimeGPT
如今的互联网时代，全球业务比以往任何时候都更加复杂并相互关联。一个行业的一个错误举动可能会在其他几个行业产生连锁反应，这使得公司利用预测分析来预测、准备和应对未来事件至关重要。
凭借其先进的时间序列分析、深度学习功能、自适应学习和可定制的可扩展模型，TimeGPT已被证明是进行更准确预测分析的有效工具。
总之，将TimeGPT与MindsDB集成到一起可以创建一个强大的组合，从而直接在业务数据库中增强预测见解的准确性和适用性。这使得您能够灵活地预测和快速应对快速发展的全球市场。
那么，到底TimeGPT会如何处理您公司的数据呢？点击此处链接https://docs.mindsdb.com/sql/tutorials/monthly-expediture-timegpt?ref=hackernoon.com，您可以查看更细致的针对性教程。
译者介绍
朱先忠，51CTO社区编辑，51CTO专家博客、讲师，潍坊一所高校计算机教师，自由编程界老兵一枚。
原文标题：How TimeGPT Transforms Predictive Analytics with AI，作者：Jorge Torres
链接：https://hackernoon.com/how-timegpt-transforms-predictive-analytics-with-ai。
