Time Series Forecasting Using Generative AI / Прогнозирование временных рядов с использованием генеративного ИИ
Год издания: 2025
Автор: Vishwas Banglore Vijay Kumar, Macharla Sri Ram / Вишвас Банглор Виджай Кумар, Мачарла Шри Рам
Издательство: Apress Media LLC
ISBN: 979-8-8688-1276-7
Язык: Английский
Формат: PDF
Качество: Издательский макет или текст (eBook)
Количество страниц: 226
Описание: "Time Series Forecasting Using Generative AI introduces readers to Generative Artificial Intelligence (Gen AI) in time series analysis, offering an essential exploration of cutting-edge forecasting methodologies."
The book covers a wide range of topics, starting with an overview of Generative AI, where readers gain insights into the history and fundamentals of Gen AI with a brief introduction to large language models. The subsequent chapter explains practical applications, guiding readers through the implementation of diverse neural network architectures for time series analysis such as Multi-Layer Perceptrons (MLP), WaveNet, Temporal Convolutional Network (TCN), Bidirectional Temporal Convolutional Network (BiTCN), Recurrent Neural Networks (RNN), Long Short-Term Memory (LSTM), Deep AutoRegressive(DeepAR), and Neural Basis Expansion Analysis(NBEATS) using modern tools.
Building on this foundation, the book introduces the power of Transformer architecture, exploring its variants such as Vanilla Transformers, Inverted Transformer (iTransformer), DLinear, NLinear, and Patch Time Series Transformer (PatchTST). Finally, The book delves into foundation models such as Time-LLM, Chronos, TimeGPT, Moirai, and TimesFM enabling readers to implement sophisticated forecasting models tailored to their specific needs.
This book empowers readers with the knowledge and skills needed to leverage Gen AI for accurate and efficient time series forecasting. By providing a detailed exploration of advanced forecasting models and methodologies, this book enables practitioners to make informed decisions and drive business growth through data-driven insights.
We were looking for a resource that would equip us with the theoretical understanding of the models and practical implementation with Python sample code. We could not find any, so that gave birth to the idea of writing this book. We present this book that is catered to the needs of working professionals to come up to speed. Those who wish to dive deeper may want to read the reference papers after reading this book.
- Understand the core history and applications of Gen AI and its potential to revolutionize time series forecasting.
- Learn to implement different neural network architectures such as MLP, WaveNet, TCN, BiTCN, RNN, LSTM, DeepAR, and NBEATS for time series forecasting.
- Discover the potential of Transformer architecture and its variants, such as Vanilla Transformers, iTransformer, DLinear, NLinear, and PatchTST, for time series forecasting.
- Explore complex foundation models like Time-LLM, Chronos, TimeGPT, Moirai, and TimesFM.
- Gain practical knowledge on how to apply Gen AI techniques to real-world time series forecasting challenges and make data-driven decisions.
Who this book is for:
Data Scientists, Machine learning engineers, Business Aanalysts, Statisticians, Economists, Financial Analysts, Operations Research Analysts, Data Analysts, Students.
"Прогнозирование временных рядов с использованием генеративного ИИ знакомит читателей с генеративным искусственным интеллектом (Gen AI) в области анализа временных рядов, предлагая существенное изучение передовых методологий прогнозирования".
Книга охватывает широкий круг тем, начиная с обзора генеративного ИИ, где читатели знакомятся с историей и основами генеративного ИИ, а также с кратким введением в большие языковые модели. В следующей главе рассказывается о практических приложениях, знакомящих читателей с реализацией различных архитектур нейронных сетей для анализа временных рядов, таких как многослойные персептроны (MLP), волновая сеть, Временная сверточная сеть (TCN), Двунаправленная временная сверточная сеть (BiTCN), рекуррентные нейронные сети (RNN), Долговременная кратковременная память. (LSTM), глубокая авторегрессия (DeepAR) и анализ расширения нейронной базы (NBEATS) с использованием современных инструментов.
Опираясь на этот фундамент, книга знакомит с мощью архитектуры Transformer, исследуя такие ее варианты, как простые трансформаторы, инвертированный трансформатор (ITransformer), DLinear, NLinear и Patch Time Series Transformer (PatchTST). Наконец, в книге рассматриваются базовые модели, такие как Time-LLM, Chronos, TimeGPT, Moirai и TimesFM, позволяющие читателям внедрять сложные модели прогнозирования, адаптированные к их конкретным потребностям.
Эта книга дает читателям знания и навыки, необходимые для использования искусственного интеллекта Gen AI для точного и эффективного прогнозирования временных рядов. Подробно описывая передовые модели и методологии прогнозирования, эта книга позволяет практикам принимать обоснованные решения и стимулировать рост бизнеса с помощью анализа данных.
Мы искали ресурс, который дал бы нам теоретическое представление о моделях и практическую реализацию с примерами кода на Python. Мы не смогли найти ни одного, и это породило идею написания этой книги. Мы представляем эту книгу, которая предназначена для того, чтобы помочь работающим профессионалам сориентироваться в ситуации. Те, кто хочет погрузиться в нее глубже, могут после прочтения этой книги ознакомиться со справочными материалами.
- Понять основную историю и области применения Gen AI и его потенциал для революционного прогнозирования временных рядов.
- Научитесь внедрять различные архитектуры нейронных сетей, такие как MLP, WaveNet, TCN, BiTCN, RNN, LSTM, DeepAR и NBEATS, для прогнозирования временных рядов.
- Откройте для себя потенциал архитектуры Transformer и ее вариантов, таких как Vanilla Transformers, ITransformer, DLinear, NLinear и PatchTST, для прогнозирования временных рядов.
- Изучите сложные базовые модели, такие как Time-LLM, Chronos, TimeGPT, Moirai и TimesFM.
- Получите практические знания о том, как применять методы искусственного интеллекта для прогнозирования реальных временных рядов и принимать решения на основе данных.
Для кого предназначена эта книга:
Специалисты по обработке данных, инженеры по машинному обучению, Бизнес-аналитики, Статистики, Экономисты, Финансовые аналитики, Аналитики операционных исследований, Аналитики данных, Студенты.
Примеры страниц (скриншоты)
Оглавление
About the Authors ........................................................................................ix
About the Technical Reviewer ........................................................................xi
Acknowledgments ........................................................................................xiii
Introduction ................................................................................................xv
Chapter 1: Time Series Meets Generative AI ....................................................1
What Sparked Interest in Time Series? ............................................................1
Introduction to Time Series Analysis ................................................................2
1.1 Characteristics of Time Series Data ............................................................3
1.2 Time Series Forecasting Methods ...............................................................4
1.3 Introduction to Generative AI ....................................................................8
1.4 Evolution from AI to Generative AI .............................................................9
1.5 Generative AI with Time Series .................................................................13
1.6 Introduction to Large Language Models ......................................................15
1.7 Summary ...............................................................................................16
1.8 References .............................................................................................16
Chapter 2: Neural Networks for Time Series .....................................................17
2 Introduction to Perceptron ...........................................................................17
2.1 Technical Overview of a Perceptron ............................................................19
2.2 What Is Multilayer Perceptron? ..................................................................21
2.3 CNN-Based Architecture for Time Series .....................................................27
2.5 Neural Networks for Sequential Data ..........................................................50
2.6 Neural Networks Based on Autoregression ...................................................64
2.7 Neural Basis Expansion Analysis .................................................................74
2.8 Summary ................................................................................................80
2.9 References ..............................................................................................80
Chapter 3: Transformers for Time Series ..........................................................83
3 Introduction to Transformers ........................................................................83
3.1 Technical Overview of Transformers ............................................................84
3.2 Vanilla Transformer ..................................................................................94
3.3 Inverted Transformers ..............................................................................102
3.4 DLinear ..................................................................................................109
3.5 NLinear ..................................................................................................118
3.6 Patch Time Series Transformer ..................................................................122
3.7 Summary ...............................................................................................129
3.8 References .............................................................................................130
Chapter 4: Time-LLM: Reprogramming Large Language Model ............................131
4 Fine-Tuning vs. Reprogramming ...................................................................132
4.1 Technical Overview of Time-LLM ................................................................133
4.2 Time-LLM in Action ..................................................................................138
4.3 Summary ...............................................................................................153
4.4 Reference ..............................................................................................154
Chapter 5: Chronos: Pre-trained Probabilistic Time Series Model .........................155
5 Introduction ..............................................................................................155
5.1 Technical Overview of Chronos ..................................................................156
5.2 Time Series Tokenization ..........................................................................157
5.3 Training ..................................................................................................158
5.4 Inference ...............................................................................................159
5.5 Chronos in Action ....................................................................................159
5.6 Summary ...............................................................................................167
5.7 Reference ..............................................................................................167
Chapter 6: TimeGPT: The First Foundation Model for Time Series ........................169
6 Introduction .............................................................................................169
6.1 Technical Overview of TimeGPT ................................................................171
6.2 TimeGPT in Action ..................................................................................173
6.3 Summary ...............................................................................................182
6.4 References ............................................................................................182
Chapter 7: MOIRAI: A Time Series LLM for Universal Forecasting .......................183
7 Introduction .............................................................................................183
7.1 Challenges with Building a Universal Forecasting Model ................................184
7.2 Technical Overview of MOIRAI ...................................................................186
7.3 MOIRAI in Action .....................................................................................188
7.4 Summary ...............................................................................................194
7.5 Reference ..............................................................................................194
Chapter 8: TimesFM: Time Series Forecasting Using
Decoder-Only Foundation Model .....................................................................195
8 Introduction ..............................................................................................195
8.1 Technical Overview of TimesFM .................................................................196
8.2 TimesFM in Action ...................................................................................199
8.3 Summary ...............................................................................................209
8.4 Conclusion .............................................................................................209
8.5 Reference ..............................................................................................210
Index .........................................................................................................211
