TimeGPT：时间序列预测的第一个基础模型
TimeGPT：时间序列预测的首个基础模型
探索第一个生成式预训练预测模型，并在Python项目中应用
时间序列预测领域正处于一个非常激动人心的时期。仅在过去的三年中，我们已经看到了许多重要的贡献，例如 N-BEATS、N-HiTS、PatchTST 和 TimesNet。
同时，大型语言模型 (LLMs) 最近变得非常受欢迎，像 ChatGPT 这样的应用程序可以在不需要进行进一步训练的情况下适应各种各样的任务。
这就引出了一个问题：是否存在像自然语言处理那样的时间序列基础模型？一个在大量时间序列数据上预训练的大型模型是否能够在未见数据上产生准确的预测呢？
Azul Garza 和 Max Mergenthaler-Canseco 提出的 TimeGPT-1 给出了答案，他们将 LLMs 的技术和架构应用于预测领域，成功构建了第一个能够进行零样本推理的时间序列基础模型。
在本文中，我们首先探索了 TimeGPT 背后的架构以及模型的训练方法。然后，我们将其应用于一个预测项目，评估其与其他先进方法（如 N-BEATS、N-HiTS 和 PatchTST）的性能。
有关更多详细信息，请阅读原始论文。
通过我的免费 Python 时间序列备忘单 学习最新的时间序列分析技术！获取统计和深度学习技术的实现，全部使用 Python 和 TensorFlow！
让我们开始吧！
探索 TimeGPT
如前所述，TimeGPT 是创建时间序列预测基础模型的首次尝试。
从上图中我们可以看到，TimeGPT 的总体思想是在……
