人工智能对预测分析产生了根本性的影响，使得预测比以往任何时候都更加精确。各行各业都在充分利用人工智能的强大能力，以预测未来趋势并为即将到来的事情做好准备。
然而，预测的准确性取决于多个因素，包括人工智能算法的复杂性、预测模型的稳健性以及训练数据的质量和数量，仅举几例。
Nixtla（注：一家专注于时间序列预测和软件开发的美国初创公司）的TimeGPT是一种生成性预训练模型，专门为预测时间序列数据而设计。它是一个功能强大的工具，能够帮助用户以更高的精度预测未来的趋势，让您更具远见，能够充分利用即将到来的机会，同时规避潜在的风险。
接下来，我们将对TimeGPT进行深入分析，从各个角度探讨其特性，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是一种预训练的生成模型，专门用于预测时间序列数据。它的主要功能是根据历史数据预测时间序列的未来值。这种能力使得TimeGPT成为一个在预测分析领域中不可或缺的工具。
TimeGPT按顺序处理数据，采用窗口技术分析历史数据点并识别其中的模式。通过推断这些已识别的模式，TimeGPT能够预测时间序列的未来值。
TimeGPT的概述
- 创新的预训练：TimeGPT将预训练模型应用于时间序列数据，这使得它能够在没有特定训练的情况下，使用已收集的数据预测新数据集。这与传统模型的工作方式有所不同。
- 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越了许多传统模型。
- 高效预测：TimeGPT通过使用高级神经网络提供高效的预测，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所需的时间和资源。
- 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的潜力，能够在新数据出现时保持预测的准确性。
TimeGPT的特性和优势
作为一种领先的预测分析模型，TimeGPT具备多项独特的高级功能，使其成为处理复杂预测场景的强大工具。以下是一些关键特性和优势：
异常检测：
- 特性：TimeGPT利用预测建模技术，能够识别时间序列数据中的异常模式或异常值，这通常表明发生了重大且意外的事件。
- 优势：此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。即使存在异常，模型仍能保持准确和可靠。
外生变量处理：
- 特性：TimeGPT可以将外部因素或外部变量（例如零售预测中的天气条件）纳入分析。
- 优势：通过考虑外部因素的影响，TimeGPT能够进行更细致和准确的预测。这在外部因素显著影响数据趋势的情况下尤为有用。
微调：
- 特性：尽管TimeGPT是一个预训练模型，但它提供了微调的能力，以适应特定数据集或独特的预测需求。
- 优势：用户可以根据特定要求定制模型，从而提高在特定环境中的预测准确性和相关性。
历史预测：
- 特性：TimeGPT可以分析过去的数据，生成历史预测，让用户了解模型如何预测过去的事件。
- 优势：TimeGPT的历史预测功能可以帮助用户验证模型的准确性和可靠性。通过了解模型如何预测过去的事件，用户可以对模型的未来预测结果充满信心。
管理复杂的预测场景
当处理复杂场景（例如假期、特殊日期和不规则时间戳）时，TimeGPT的功能非常有用。
- 假期和特殊日期：这些事件对时间序列数据的趋势产生显著影响。TimeGPT具备检测异常并结合外部变量的能力，从而准确预测这些日期，并考虑到其对数据产生的独特影响。
- 不规则时间戳：时间序列数据有时可能是不规则的，或者存在缺失的数据点。TimeGPT的复杂算法可以处理这种不规则性，即使在不统一的数据下也能确保一致且准确的预测结果。
在MindsDB中部署TimeGPT模型
MindsDB是一个构建自定义AI的平台，它能够从企业数据中提取价值。它的工作方式是将任何数据源与任何AI/ML模型或框架连接起来，并自动化它们之间的实时数据流动。
MindsDB将数据源与TimeGPT等先进的AI/机器学习模型连接起来。这使得用户可以轻松创建、训练和管理这些模型，对于那些在机器学习方面经验较少的人来说，这特别有益。
将TimeGPT集成到MindsDB，首先使用以下语句创建TimeGPT ML引擎，然后提供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CREATE MODEL语句来创建、训练和部署TimeGPT模型。一旦模型创建并训练完成，您就可以查询模型以获取预测。
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';现在您可以查询模型以获取预测：
SELECT m.date_column, m.column_to_be_predicted
FROM data_table AS d
JOIN model_table AS m
WHERE d.date_column > LATEST;使用MindsDB，您可以自动化预测流程，并持续为任何下游应用生成预测。这在您有定期更新的动态数据时特别有用。随着新数据的不断涌入，您应该利用这些最新数据对模型进行微调，以确保预测的准确性。
在这里，我们创建了一个作业，该作业使用最新的数据对模型进行微调，并将每日的预测结果保存在数据库表中。
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;要查看完整示例和更多的预测用例，您可以访问我们的文档页面。在那里，您将找到丰富的信息和实用的指南。
如何在预测分析中使用TimeGPT
企业必须具备灵活性，以应对市场的每一分钟变化。利用预测分析技术，如TimeGPT所支持的技术，可以帮助您领先一步，甚至为您带来竞争优势。
企业可以在以下几个关键领域中利用TimeGPT，包括：
财务预测
TimeGPT在处理和解释基于时间的数据方面表现出色，这使得它在预测金融市场波动方面更为精确。它能够识别金融数据集中的当前趋势和细微变化，从而帮助制定更明智的投资策略。
需求预测
在零售和制造业等行业，TimeGPT能够预测产品需求，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变化。
异常检测
该模型的顺序学习方法在检测异常方面表现出优势，例如发现网络安全流量的异常模式，或者识别机器性能异常以进行预测性维护。这一功能对于在潜在问题恶化之前进行干预至关重要。
预测分析场景
以下是使用TimeGPT进行精确预测分析的一些应用场景：
- 股票市场分析：相比于传统的股票价格预测方法，TimeGPT的表现更优，能够为投资者和分析师提供有力的支持。
- 医疗保健趋势预测：TimeGPT能够预测医疗保健趋势，这对于资源的有效分配和规划至关重要。
- 供应链优化：TimeGPT能够预测未来的物流需求，从而提高效率并降低成本。
- 零售客户行为分析：TimeGPT能够预测零售购买趋势，从而帮助进行库存管理和有针对性的营销。
- 制造预测性维护：TimeGPT能够识别潜在的设备故障，从而最大程度地减少停机时间和维护成本。
现实世界中的TimeGPT
全球业务的复杂性和相互关联性比以往任何时候都更强。一个行业的错误决策可能会对其他多个行业产生连锁反应，这使得企业必须利用预测分析来预测、准备和应对未来的事件。
TimeGPT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，已被证明是进行更准确预测分析的有效工具。
将TimeGPT与MindsDB集成，形成了一个强大的组合工具，大大提高了在业务数据库中进行预测洞察的准确性和适用性。这种集成也可以帮助用户能够灵活地进行预测，并快速响应全球市场的快速发展，这种灵活性和快速响应能力对于在竞争激烈的全球市场中保持领先地位至关重要。
译者介绍
刘涛，51CTO社区编辑，某大型央企系统上线检测管控负责人。
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 。
