Zaman Serisi Temel Modelleri: Kullanım Alanları ve Faydaları
Zaman serisi temel modelleri (TSFM'ler), doğal dil işleme ve görüntü işleme alanlarındaki temel modellerdeki ilerlemelerden yararlanır. Transformer tabanlı mimariler ve büyük ölçekli eğitim verileri kullanarak, sıfır atış performansı elde ederler ve finans, perakende, enerji ve sağlık gibi sektörlere uyum sağlarlar.
Zaman serisi temel modellerinin mimarisini, kullanım alanlarını, sektörlerdeki benimsenme oranlarını, faydalarını, zorluklarını ve mevcut modellerle karşılaştırmalarını keşfedin:
Zaman Serisi Temel Modelleri Nelerdir?
Zaman serisi temel modelleri (TSFM'ler), çeşitli alanlarda ve uygulamalarda zaman serisi verilerini işlemek üzere tasarlanmış, büyük ölçekli, önceden eğitilmiş modellerdir.
Doğal dil işleme (NLP) ve bilgisayar görüşünde temel modellerin başarısından ilham alan TSFM'ler, temel modellerin temsil paradigmasını tahmin ve sıralı analize genişletir. Önde gelen TSFM'ler şunlardır:
Amazon Chronos-2, T5 kodlayıcı mimarisinden türetilmiş, yalnızca kodlayıcı içeren bir modeldir ve Hugging Face uygulaması on milyonlarca kez indirilmiştir. 1
Salesforce Moirai-2, 27 milyar gözlemden oluşan LOTSA veri kümesi üzerinde eğitilmiş, yalnızca kod çözücü içeren bir transformatör mimarisi kullanır.
Tsinghua Üniversitesi araştırmacıları tarafından geliştirilen Sundial, TimeBench veri setinde piyasa lideri sonuçlar elde etti.
TimesFM-2.5
TimesFM-2.5, Google'in TimesFM serisindeki en yeni modelidir. Gerçek dünya zaman serisi veri noktalarından oluşan bir veri kümesi üzerinde eğitilmiş, yaklaşık 200 milyon parametreye ve 16 bin bağlam uzunluğuna sahip önceden eğitilmiş bir modeldir. 2 Büyük dil modellerine ( LLM'ler ) kıyasla, daha kompakt bir boyut, hızlı çıkarım ve zaman serisi verilerine odaklanma avantajı sunar.
Mimarlık ve eğitim
TimesFM, dil modellerinden yalnızca kod çözücü içeren transformatör mimarisini ödünç alır: üst üste yığılmış nedensel öz-dikkat ve ileri besleme katmanları, yalnızca geçmiş bağlama bağlı olarak aşağıdaki çıktıyı üretir.
Metnin aksine, model bir diziyi bitişik zaman noktalarının yamaları olarak temsil eder; her yama (bir MLP artık bloğu ve konumsal kodlamalar aracılığıyla) gömülür ve bir belirteç olarak ele alınır. Temel tasarım tercihi, girdi yamasından daha uzun bir çıktı yaması uzunluğu tahmin etmektir; bu, çıkarım aşamasındaki yinelemeli adımları azaltır ve uzun vadeli planlamada hata birikimini sınırlar.
Model eğitimi için, Google, aktarımı iyileştirmek amacıyla sentetik verileri (temel zamansal "grameri" öğretmek için) büyük ve çeşitli bir gerçek seri veri kümesiyle (örneğin, Google Trendleri ve Wikipedia Sayfa Görüntülemeleri) karıştırır. Toplam ön eğitim ölçeği yaklaşık 100 milyar zaman noktasıdır.
Şekil 1: TimesFM'in mimarisini gösteren grafik. 3
Değerlendirme ve sonuçlar
Google, TimesFM'i halka açık kıyaslama testlerinde tamamen sıfır atış modunda değerlendirdi. Monash Tahmin Arşivi'nde TimesFM, çoğu istatistiksel modelden (örneğin, ARIMA, ETS) daha iyi performans gösteriyor ve hedef seri üzerinde eğitilmiş çeşitli derin öğrenme temel modellerine eşdeğer veya onlardan daha iyi performans sergiliyor.
Uzun vadeli görevlerde (örneğin, ETT veri kümeleri), TimesFM'in sıfır atış doğruluğu, denetimli temel yöntemlerle (örneğin, veri kümesi başına eğitilmiş PatchTST) rekabet eder ve anlık tabanlı LLM tahmincilerini geride bırakır. Metrikler arasında ölçeklendirilmiş MAE ve veri kümeleri genelinde geometrik ortalama özetleri yer almaktadır. 4
TSFM'lerin temel özellikleri ve mimarisi
TSFM'lerin transformatör mimarisi, uzun menzilli bağımlılıkları ve mevsimsellik kalıplarını modellemek için öz dikkat, artık bağlantılar ve doğrusal katmanlar kullanır. Giriş yamaları çok katmanlı bir algılayıcı aracılığıyla gömülü vektörlere dönüştürülürken, konumsal kodlamalar zamansal sırayı korur.
Diğer temel modellere kıyasla, bu mimariler metin veya görüntü işleme yerine tahmin görevlerine uyarlanmıştır.
Şekil 2: Farklı adaptasyon tekniklerini gösteren diyagram. 5
Başlıca kullanım alanları nelerdir?
Tahminleme
Tahminleme, geçmiş kalıplar göz önüne alındığında bir zaman serisindeki gelecekteki noktaları öngörmeyi içerir. Zaman serisi tahmin modelleri (TSFM'ler), gereksinime bağlı olarak nokta tahminleri veya olasılıksal zaman serisi tahmin çıktıları üreterek bu yaklaşıma ulaşır.
Tek değişkenli zaman serisi tahmin modelleri veya istatistiksel modellerin aksine, hava durumu veya promosyonlar gibi dışsal değişkenler de dahil olmak üzere birden fazla sinyali entegre ederler. Bu esneklik, onları perakende talep planlaması, enerji yükü tahmini ve finansal piyasa analizi için uygun hale getirir.
Sınıflandırma
Sınıflandırmada amaç, bir seri temelinde kalıpları etiketlemek veya kategorize etmektir. TSFM'ler, tıbbi verilerdeki aritmiler veya perakendedeki olağandışı talep zirveleri gibi karakteristik yapıları tanımak için transformatör tabanlı modeller kullanır.
Atama
Eksik dizilerdeki boşlukları doldurma işlemi, TSFM'lerin birleşik eğitim sırasında çeşitli veri kümelerinden öğrenilen kalıplardan yararlanarak eksik aralıkları yeniden yapılandırmasını sağlar.
Basit enterpolasyonun aksine, mevsimsellik ve trendlerle tutarlılığı korurlar. Uygulama alanları arasında, eksik bilgilerin sonraki tahmin görevlerini etkileyebileceği enerji kullanım kayıtlarındaki veya tıbbi izleme verilerindeki boşlukların doldurulması yer almaktadır.
Anomaly tespiti
TSFM'ler, mevcut sinyalleri normal davranışın öğrenilmiş temsiliyle karşılaştırarak beklenen kalıplardan sapmaları belirler.
Farklı alanlarda genelleme yapabilme yetenekleri, anormalliklerin nadir olduğu durumlarda bile sıfır atış performansını artırır. Bu, dolandırıcılık tespiti, öngörücü bakım ve siber güvenlik izleme alanlarında önemlidir. Anormallik tespiti alanındaki önceki çalışmalara kıyasla, TSFM'ler zaman serisi tahminini sınıflandırma ile entegre ederek bağlam duyarlı tespit sağlar.
TSFM'leri benimseyen sektörler
Perakende
Perakendeciler, stok yönetimi ve satış planlaması için büyük ölçüde tahmin modellerine güvenmektedir.
Geleneksel istatistiksel modeller genellikle tatiller, promosyonlar veya ekonomik değişimler gibi dışsal etkileri yakalamakta başarısız olur. TSFM'ler dışsal değişkenleri içerir ve birkaç küçük ayarlama ile uyum sağlar.
Örneğin, küresel bir perakendeci, çeşitli veri kümeleri üzerinde eğitilmiş tek bir modeli uygulayarak birden fazla bölgede güvenilir tahminler elde edebilir.
Finans
Finansal sistemler hem tahmin ufku projeksiyonlarına hem de anormallik tespitine ihtiyaç duyar. Belirli piyasalar için ayarlanmış regresyon modelleri veya derin öğrenme modelleri genellikle yapısal değişikliklerle başa çıkmakta zorlanırlar.
TSFM'ler, yeni araçlar için sıfır atışlı tahminleme sağlar ve transfer öğrenme yoluyla oynaklığa uyum sağlar. Kullanım alanları arasında hisse senedi fiyat tahmini, portföy risk modellemesi ve dolandırıcılık tespiti yer almaktadır.
Sağlık hizmeti
Sağlık sektörü, izleme cihazlarından sürekli zaman serisi verileri üretir. Yaşam belirtilerindeki anormalliklerin tespiti için geleneksel yaklaşımlar, sabit eşiklere dayanır. Bunun yerine, TSFM'ler hem klinik hem de sentetik verilerden öğrenerek, hastaya özgü temel değerlere uyum sağlayan erken uyarı sistemleri oluşturur. İzlemenin ötesinde, büyük veri kümelerinde ince zamansal kalıpları belirleyerek ilaç denemelerinde bilgi keşfini desteklerler.
Enerji
Enerji sistemleri, sensörlerden ve sayaçlardan zaman serileri üretir. Sabit mevsimsel kalıpları varsayan geleneksel yöntemlerin aksine, TSFM'ler yenilenebilir enerji üretimi gibi değişken koşulları ele alır.
Tüketim geçmişlerini sıcaklık ve rüzgar hızı gibi dışsal değişkenlerle birleştirerek şebeke dengelemesi için olasılıksal zaman serisi tahmin çıktıları üretirler. Burada hesaplama verimliliği önemlidir, çünkü küçük zaman karıştırıcıları daha düşük maliyetle yerelleştirilmiş tahminler sağlar. Daha fazla bilgi için sürdürülebilirlik yapay zeka uygulamalarını inceleyin.
Toplu taşıma
Ulaşım ağları, trafik akışı ve lojistik için tahminlere bağlıdır. Daha önceki makine öğrenimi modelleri, her şehir veya rota için ayrı model eğitimi gerektiriyordu. Çeşitli veri kümeleri üzerinde eğitilmiş TSFM'ler, minimum ince ayar uyarlamasıyla bölgeler arasında aktarılabilir.
Gerçek dünya örnekleri arasında kentsel alanlarda trafik yoğunluğunun tahmin edilmesi ve lojistikte teslimat rotalarının optimize edilmesi yer almaktadır.
Üretme
Üretimde , öngörücü bakım temel bir kullanım alanıdır. Tek makine verisi üzerinde eğitilmiş geleneksel regresyon modelleri genellikle aktarılabilirlik açısından yetersizdir. TSFM'ler, sensörler ve üretim döngüleri arasında uzun menzilli bağımlılıkları ele alarak erken arıza tespitini iyileştirir.
Tesis özelindeki verilerle ince ayar yapıldığında, arıza sürelerini azaltmada ve kalite kontrolünü sağlamada daha iyi performans elde ederler.
Hava ve iklim
Hava ve iklim modellemesi, saatlerden yıllara kadar uzanan çoklu tahmin ufuklarının yönetilmesini gerektirir. İstatistiksel modeller ve geleneksel yöntemler genellikle çok ölçekli değişkenliği yakalamakta başarısız olur.
TSFM'ler, transformatör mimarisi ve öz-dikkat mekanizmaları sayesinde hem yerel hem de küresel bağımlılıkları modelleyebilirler. Örnekler arasında kısa vadeli yağış tahminleri ve iklim döngüsü tahminleri yer almaktadır. Olasılıksal zaman serisi tahminleri, bu çıktılardaki belirsizliği nicelleştirmeye yardımcı olur.
Kentsel bilişim
Akıllı şehirler, ulaşım, kamu hizmetleri ve altyapıdan elde edilen zaman serisi verilerine dayanır. Mevcut modeller şu anda görevlere göre birbirinden ayrıdır. TSFM'ler (Zaman Serisi Veri Modelleri), bu modelleri tek bir model altında birleştirerek, minimum ek eğitim verisiyle uyarlanabilen ve farklı alanlarda kullanılabilen bir yapı sunar.
Örnekler arasında binalarda enerji kullanımının optimize edilmesi, trafik yoğunluğunun tahmin edilmesi ve su tedarik sistemlerinin yönetilmesi yer almaktadır.
Zaman serisi temel modellerinin faydaları
TSFM'lerin mevcut modellere kıyasla başlıca avantajları şunlardır:
- Sıfır atış performansı: İnce ayarlı uyarlamaya gerek kalmadan, daha önce görülmemiş veri kümelerinde güçlü sonuçlar elde etme.
- Eğitim maliyetlerinde azalma: Ayrı modeller eğitmek yerine, tek bir modelin farklı alanlarda yeniden kullanılması.
- Alan genellemesi: Bir model, aktarım öğrenimi ve az sayıda örnekle öğrenenlerle çeşitli bağlamlara uyum sağlar.
- Hesaplama verimliliği: NLP'deki büyük temel modellerden daha küçük boyutlu olmasına rağmen, yine de gelişmiş performans sunar.
- Çok yönlülük: Farklı tahmin ufuklarını, ayrıntı düzeylerini ve çıktı yama uzunluklarını ele alabilme özelliği.
Zorluklar
Teknik zorluklar
Eğitim verisi kıtlığı: Dil modelleri için metin verilerinin aksine, zaman serisi verileri için mevcut kamuya açık veri kümeleri daha küçüktür. Bununla birlikte, artık çok sayıda alanda milyarlarca gözlem içeren Büyük Ölçekli Açık Zaman Serisi Arşivi (LOTSA) gibi veri kümeleri mevcuttur. 6
Evrensel bir yapının olmaması: Kelime dağarcığı veya dilbilgisi eşdeğeri bulunmaması.
Karmaşık zamansal dinamikler: Çeşitli mevsimsellik kalıpları ve tarihleri.
Alan özgüllüğü: Sektörler genelinde farklı örnekleme oranları ve davranışları.
Pratik zorluklar
- Çeşitli veri kümelerinin toplanmasında gizlilik endişeleri.
- Model eğitimi için yüksek hesaplama verimliliği gereksinimleri.
- Değişen ortamlarda dağılım kayması.
- Gerçek dünya uygulamalarında yorumlanabilirlik ve şeffaflık.
- Eski sistemlere ve ilgili iş süreçlerine entegrasyon.
Zaman serisi temel modelleri: Geliştirme ve tasarım faktörleri
Zaman serisi temel modelleri: Sonuçlar ve operasyonel faktörler
Diğer temel modellerinden farklılıklar
TSFM'ler, dil modellerinden ve görme temel modellerinden çeşitli yönlerden farklılık gösterir:
- Veri biçimi: Metin veya resim yerine sıralı sayısal veri.
- Mimari: Yama ve normalizasyon (örneğin, geri dönüşümlü örnek normalizasyonu) içeren uyarlanmış transformatör tabanlı mimariler.
- Eğitim yaklaşımı: Hem sentetik verileri hem de Google Araştırma veri kümeleri gibi gerçek dünya veri kümelerini birleştirmek.
- Ölçek: Büyük temelli modellere göre daha küçük boyutlu olmasına rağmen, yüksek kaliteli nokta tahminleri sunar.
- Değerlendirme: Metin anlama yerine tahminleme görevleri, anormallik tespiti ve eksik veri tamamlama üzerinde kıyaslama yapılmıştır.
Çözüm
Zaman serisi temel modelleri, alan özgül istatistiksel modellerden, regresyon modellerinden ve denetimli derin öğrenmeden, zaman serileri için birleşik bir modele doğru bir geçişi temsil eder. Transformer tabanlı mimarileri uygulayarak ve önceden eğitilmiş modellerden yararlanarak, tahmin görevleri, anormallik tespiti ve sektörler genelindeki diğer uygulamalar için ölçeklenebilir çözümler sunarlar.
Eğitim verilerinin kullanılabilirliği, yorumlanabilirliği ve mevcut iş akışlarına entegrasyonunda zorluklar devam etse de, sıfır atışlı tahmin, transfer öğrenme ve alanlar arası uyarlanabilirlik avantajları, TSFM'leri genel amaçlı tahminleme yolunda önemli bir adım olarak konumlandırıyor. Araştırmalar ilerledikçe ve açık kaynaklı temel modeller genişledikçe, hem akademik hem de gerçek dünya ortamlarında benimsenmesinin artması muhtemeldir.
Referans Linkleri
Yorum yapan ilk kişi olun
E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir.