nixtla: 零樣本時間序列預測與異常檢測的基礎模型

它解決了什麼問題

TimeGPT-1 旨在簡化並加速時間序列預測與異常檢測。它取代了傳統、手動的模型訓練流程（例如 ARIMA 或 XGBoost），改用預訓練的基礎模型，無需針對使用者的特定數據進行初始訓練，即可在零售、金融和 IoT 等多個領域提供準確的預測。

運作原理

TimeGPT 是一個基於編碼器-解碼器架構並具備自注意力機制（self-attention mechanisms）的生成式預訓練 Transformer。與 LLMs 不同，它是基於從大量公開時間序列數據中收集的超過 1000 億個數據點進行獨立訓練的。這使得模型能夠捕捉複雜的模式，並根據過去的事件來推斷未來的分布。

目標對象

需要快速、高準確度預測與異常檢測，且希望減少編碼工作量的數據科學家與分析師。對於在能源、醫療保健和銀行等領域處理多樣化時間序列數據的人員，或是希望直接在 Snowflake 環境中部署模型的人來說特別有用。

重點功能

• 零樣本推論 (Zero-shot Inference): 無需先前的訓練數據，即可立即生成預測並檢測異常。
• 微調 (Fine-tuning): 能夠使用自定義損失函數來調整模型以適應特定數據集，從而提高性能。
• 外生變數 (Exogenous Variables): 支持整合外部因素（例如特殊日期或價格）以增強準確性。
• 多序列預測 (Multiple Series Forecasting): 具備同時預測多個時間序列的能力。
• 基礎設施靈活性 (Infrastructure Flexibility): 可透過公開 API、Snowflake 部署，以及即將推出的 Azure Studio 支持進行整合。
• 不規則時間戳 (Irregular Timestamps): 可處理非均勻間隔的序列，無需進行預處理。