许可协议: cc-by-nc-4.0 任务标签: 时间序列预测 标签:

• 时间序列
• 预测
• 预训练模型
• 基础模型
• 时间序列基础模型
• 时序数据

Moirai-1.0-R-大型模型

Moirai是基于掩码编码器的通用时间序列预测Transformer，是在LOTSA数据集上预训练的大型时序模型。关于Moirai架构、训练和结果的更多细节，请参阅论文。

图1：Moirai整体架构示意图。展示的是一个3变量时间序列，其中变量0和1是目标变量（需要预测），变量2是动态协变量（预测区间内的值已知）。基于64的补丁大小，每个变量被分割为3个标记。补丁嵌入与序列和变量ID一起输入Transformer。阴影补丁代表需要预测的时间区间，其对应的输出表示被映射为混合分布参数。

使用指南

要使用Moirai进行推理，请从我们的GitHub仓库安装uni2ts库。

1. 克隆仓库：

git clone https://github.com/SalesforceAIResearch/uni2ts.git
cd uni2ts

2. 创建虚拟环境：

virtualenv venv
. venv/bin/activate

3. 从源码构建：

pip install -e '.[notebook]'

4. 创建.env文件：

touch .env

快速入门示例：

import torch
import matplotlib.pyplot as plt
import pandas as pd
from gluonts.dataset.pandas import PandasDataset
from gluonts.dataset.split import split

from uni2ts.eval_util.plot import plot_single
from uni2ts.model.moirai import MoiraiForecast, MoiraiModule


SIZE = "small"  # 模型尺寸：可选{'small', 'base', 'large'}
PDT = 20  # 预测长度：任意正整数
CTX = 200  # 上下文长度：任意正整数
PSZ = "auto"  # 补丁大小：可选{"auto", 8, 16, 32, 64, 128}
BSZ = 32  # 批处理大小：任意正整数
TEST = 100  # 测试集长度：任意正整数

# 将数据读入pandas DataFrame
url = (
    "https://gist.githubusercontent.com/rsnirwan/c8c8654a98350fadd229b00167174ec4"
    "/raw/a42101c7786d4bc7695228a0f2c8cea41340e18f/ts_wide.csv"
)
df = pd.read_csv(url, index_col=0, parse_dates=True)

# 转换为GluonTS数据集
ds = PandasDataset(dict(df))

# 分割为训练/测试集
train, test_template = split(
    ds, offset=-TEST
)  # 将最后TEST个时间步作为测试集

# 构建滚动窗口评估
test_data = test_template.generate_instances(
    prediction_length=PDT,  # 每个预测的时间步数
    windows=TEST // PDT,  # 滚动窗口评估中的窗口数
    distance=PDT,  # 窗口间的时间步距 - distance=PDT表示非重叠窗口
)

# 通过从huggingface hub下载模型权重准备预训练模型
model = MoiraiForecast(
    module=MoiraiModule.from_pretrained(f"Salesforce/moirai-1.0-R-{SIZE}"),
    prediction_length=PDT,
    context_length=CTX,
    patch_size=PSZ,
    num_samples=100,
    target_dim=1,
    feat_dynamic_real_dim=ds.num_feat_dynamic_real,
    past_feat_dynamic_real_dim=ds.num_past_feat_dynamic_real,
)

predictor = model.create_predictor(batch_size=BSZ)
forecasts = predictor.predict(test_data.input)

input_it = iter(test_data.input)
label_it = iter(test_data.label)
forecast_it = iter(forecasts)

inp = next(input_it)
label = next(label_it)
forecast = next(forecast_it)

plot_single(
    inp, 
    label, 
    forecast, 
    context_length=200,
    name="pred",
    show_label=True,
)
plt.show()

Moirai模型家族

引用

如果您在研究中使用了Uni2TS，请使用以下BibTeX引用：

@article{woo2024unified,
  title={Unified Training of Universal Time Series Forecasting Transformers},
  author={Woo, Gerald and Liu, Chenghao and Kumar, Akshat and Xiong, Caiming and Savarese, Silvio and Sahoo, Doyen},
  journal={arXiv preprint arXiv:2402.02592},
  year={2024}
}

伦理考量

本版本仅用于支持学术论文的研究目的。我们的模型、数据集和代码并非为所有下游用途专门设计或评估。我们强烈建议用户在部署前评估并解决与准确性、安全性和公平性相关的潜在问题。我们鼓励用户考虑AI的常见局限性，遵守适用法律，在选择用例时采用最佳实践，特别是对于错误或滥用可能严重影响人们生活、权利或安全的高风险场景。有关用例的更多指导，请参阅我们的AUP和AI AUP。