nixtla: 用于零样本时间序列预测和异常检测的基础模型

它解决了什么问题

TimeGPT-1 旨在简化并加速时间序列预测和异常检测。它通过一个预训练的基础模型，取代了对传统、手动模型训练流水线（如 ARIMA 或 XGBoost）的需求，该模型可以在零售、金融和 IoT 等不同领域提供准确的预测，而无需在用户特定数据上进行初始训练。

它是如何工作的

TimeGPT 是一个基于编码器-解码器架构并带有自注意力机制的生成式预训练 Transformer。与 LLM 不同，它是在来自广泛公开可用时间序列数据的超过 1000 亿个数据点上独立训练的。这使得模型能够捕捉复杂的模式，并根据过去的事件外推未来的分布。

它是面向谁的

需要快速、高精度预测和异常检测且编码量极少的数据科学家和分析师。对于在能源、医疗保健和银行等领域处理多样化时间序列数据的人员，或者希望直接在 Snowflake 环境中部署模型的人员，它特别有用。

亮点

• 零样本推理 (Zero-shot Inference): 无需先验训练数据即可立即生成预测并检测异常。
• 微调 (Fine-tuning): 能够使用自定义损失函数使模型适应特定数据集，以提高性能。
• 外生变量 (Exogenous Variables): 支持引入外部因素（例如特殊日期或价格）以增强准确性。
• 多序列预测 (Multiple Series Forecasting): 能够同时预测多个时间序列。
• 基础设施灵活性 (Infrastructure Flexibility): 通过公共 API、Snowflake 部署以及即将推出的 Azure Studio 支持进行集成。
• 不规则时间戳 (Irregular Timestamps): 处理非均匀间隔序列而无需预处理。