GluonTS: Przewodnik po elastycznych przepływach pracy z użyciem wielu modeli, danych syntetycznych i zaawansowanej wizualizacji

GluonTS, narzędzie do szeregów czasowych, zyskuje na popularności dzięki swojej elastyczności i możliwości łączenia różnych modeli w jednym procesie. Nowy przewodnik pokazuje, jak wykorzystać GluonTS do tworzenia złożonych zbiorów danych, przygotowywania ich i równoległego stosowania różnych modeli predykcyjnych. Skupiono się na pracy z różnorodnymi estymatorami w tym samym potoku, eleganckim radzeniu sobie z brakującymi zależnościami i generowaniu użytecznych wyników.

Kluczowym elementem jest wbudowana ewaluacja i wizualizacja, która pozwala na trenowanie, porównywanie i interpretowanie modeli w jednym, płynnym procesie. Użytkownicy mogą generować syntetyczne zbiory danych, w których każda seria łączy trend, sezonowość i szum. Taka konstrukcja zapewnia spójne wyniki i czysty DataFrame gotowy do eksperymentów.

W ramach eksperymentów generowany jest zbiór danych składający się z 10 serii, który następnie przekształcany jest w PandasDataset GluonTS i dzielony na okna treningowe i testowe. Inicjalizowane są różne estymatory (PyTorch DeepAR, MXNet DeepAR i FeedForward), a w przypadku braku dostępnych backendów wykorzystywany jest wbudowany sztuczny zbiór danych.

Każdy dostępny estymator jest trenowany, zbierane są prognozy probabilistyczne, a dopasowane predyktory są przechowywane do ponownego użycia. Wyniki są oceniane za pomocą MASE, sMAPE i ważonej straty kwantylowej, co daje spójny i porównawczy wgląd w wydajność modelu.

Nawet jeśli żaden model nie jest dostępny, przepływ pracy jest demonstrowany na syntetycznym przykładzie, co umożliwia prześledzenie całego procesu i zrozumienie kluczowych koncepcji. Całość tworzy solidną konfigurację, która równoważy tworzenie danych, eksperymentowanie z modelami i analizę wydajności. Zamiast polegać na jednej konfiguracji, użytkownicy mogą elastycznie dostosowywać się, testować różne opcje i wizualizować wyniki w intuicyjny sposób. To solidna podstawa do eksperymentowania z GluonTS i stosowania tych samych zasad do rzeczywistych zbiorów danych, przy jednoczesnym zachowaniu modularności i łatwości rozbudowy.