Kompleksowe prognozowanie szeregów czasowych z TimesFM 2.5: od testów do wdrożenia

W dynamicznie zmieniającym się świecie, precyzyjne prognozowanie szeregów czasowych staje się kluczowe dla wielu sektorów gospodarki. Niniejszy artykuł przedstawia kompleksowe podejście do tego zagadnienia, wykorzystując model TimesFM 2.5 w środowisku Google Colab. Proces obejmuje konfigurację środowiska, instalację niezbędnych zależności, generowanie realistycznych danych, a także szczegółową analizę i ocenę wydajności modelu.

Przygotowanie środowiska i danych

Pierwszym krokiem jest przygotowanie środowiska wykonawczego. Obejmuje to konfigurację Google Colab, instalację biblioteki TimesFM oraz jej komponentów, detekcję dostępnego sprzętu (CPU lub GPU) i inicjalizację odtwarzalnych ziarn losowych. Następnie generowany jest realistyczny, wielosklepowy zbiór danych detalicznych. Dane te symulują sprzedaż w 6 sklepach przez 1200 dni, uwzględniając różnorodne czynniki wpływające na popyt, takie jak:

• Trendy
• Sezonowość (tygodniowa i roczna)
• Ceny
• Promocje
• Święta
• Wpływ temperatury
• Losowe wahania popytu

Po wygenerowaniu danych, model TimesFM 2.5 jest ładowany z repozytorium "google/timesfm-2.5-200m-pytorch". Definiowana jest jego bazowa konfiguracja prognozowania, a następnie model jest kompilowany. Konfiguracja ta obejmuje parametry takie jak max_context=1024, max_horizon=256 oraz per_core_batch_size=16, co pozwala na elastyczne dostosowywanie ustawień modelu do różnych eksperymentów.

Prognozowanie i ocena wydajności

Po przygotowaniu modelu, przeprowadzane jest prognozowanie typu zero-shot, które polega na przewidywaniu przyszłych wartości bez wcześniejszego dostrajania modelu do konkretnych danych. Wizualizacja wyników obejmuje historyczne dane, rzeczywiste obserwacje, medianę prognoz oraz probabilistyczne pasma kwantylowe, prezentowane na wykresie wachlarzowym. Analizowana jest struktura wyjść punktowych i kwantylowych, gdzie indeks 0 oznacza średnią, a indeksy od 1 do 9 odpowiadają kwantylom od q10 do q90, przy czym indeks 5 to mediana.

Do oceny jakości prognoz wykorzystywane są różnorodne metryki, takie jak:

• MAE (Mean Absolute Error)
• RMSE (Root Mean Squared Error)
• MAPE% (Mean Absolute Percentage Error)
• sMAPE% (Symmetric Mean Absolute Percentage Error)
• MASE (Mean Absolute Scaled Error)
• Pinball loss (dla prognoz probabilistycznych)
• Pokrycie przedziału predykcji (np. 80%)

Model TimesFM 2.5 jest porównywany z prostymi metodami bazowymi, takimi jak prognozowanie sezonowe naiwne (seasonal naive) oraz prognozowanie na podstawie ostatniej wartości (last value). W testach wieloseryjnych, model prognozuje sprzedaż dla wszystkich 6 sklepów w jednej partii, co pozwala na ocenę wydajności na poziomie poszczególnych sklepów. Średnia wartość MASE oraz pokrycie 80% przedziału predykcji są kluczowymi wskaźnikami w tej analizie.

Backtesting i wnioski

Kluczowym elementem walidacji modelu jest backtesting z ruchomym punktem początkowym (rolling-origin backtesting). W ramach tego procesu przeprowadzono 3 do 6 foldów, gdzie każdy fold obejmował prognozowanie na 56 dni dla wszystkich sklepów. Porównanie TimesFM z modelem sezonowym naiwnym wykazało, że TimesFM znacząco redukuje MASE, co świadczy o jego wyższej precyzji. Na przykład, w testach model TimesFM zmniejszył MASE o 13.1% w porównaniu do sezonowego naiwnego prognozowania w trybie zero-shot.

Prezentowane podejście do prognozowania szeregów czasowych z wykorzystaniem TimesFM 2.5 demonstruje jego potencjał w radzeniu sobie z złożonymi zbiorami danych detalicznych. Możliwość integracji wielu czynników wpływających na popyt, elastyczna konfiguracja oraz solidne metryki oceny sprawiają, że model ten jest cennym narzędziem dla analityków i firm dążących do optymalizacji procesów decyzyjnych opartych na danych historycznych. Dalsze badania mogą koncentrować się na rozszerzeniu możliwości modelu o detekcję anomalii i integrację zmiennych towarzyszących, co pozwoli na jeszcze dokładniejsze i bardziej wszechstronne prognozowanie.

Źródło: marktechpost.com