[Open Source] TimesFM 預測未來，立刻上手，預測時間只剩不多囉！

TimesFM 初學者指南：用 Google 的時間序列模型預測未來！

哈囉，大家好！今天要來介紹一個超酷的東西，叫做 TimesFM (Time Series Foundation Model)。 簡單來說，這是一個由 Google Research 開發的 時間序列預測模型，就像天氣預報一樣，可以預測股票價格、銷售量，甚至電力消耗等等。 聽起來很厲害吧？別擔心，即使你對機器學習還不太熟，看完這篇文章也能初步了解 TimesFM 的核心概念，並開始嘗試！

什麼是時間序列預測？

首先，我們先來釐清一下什麼是時間序列預測。時間序列 (Time series) 指的是一組按照時間順序排列的數據。舉例來說：

• 每日的股價：每天收盤後的股價變化。
• 每小時的用電量：每小時記錄的用電量數據。
• 每月的銷售額：每月統計的銷售額總和。

時間序列預測 (Time series forecasting) 呢，就是利用這些歷史數據，來預測未來一段時間內的數值。例如，根據過去一年的銷售額，預測下個月的銷售額會是多少。

TimesFM 的厲害之處

TimesFM 的厲害之處在哪裡呢？它有幾個關鍵的優點：

• 預訓練模型 (Pretrained Model)：TimesFM 是一個預先訓練好的模型。 這表示，它已經在大量的時間序列數據上學習過， 掌握了時間序列數據的模式和規律。 這就像你不用從頭開始學英文，而是直接拿一本已經寫好的英文小說來讀， 就能更快地掌握語法和詞彙。
• Decoder-only 架構：TimesFM 採用的是 decoder-only 的架構。 簡而言之，就是模型專注於 “解碼” 過去的資訊，預測未來的結果。
• 多功能性：TimesFM 可以處理各種不同類型和長度的時間序列數據， 並且提供點預測 (point forecast) 和分位數預測 (quantile forecast) 。 點預測就是預測單一的數值， 例如預測下個月的銷售額是 100 萬。 分位數預測則可以提供預測範圍， 例如預測下個月的銷售額有 80% 的機率落在 90 萬到 110 萬之間。 這可以幫助我們更好地理解預測的不確定性。
• 不斷更新：Google Research 持續更新 TimesFM， 包含模型版本、支援的功能等等。 像最新的 TimesFM 2.5 版本， 提供了更長的上下文長度 (context length) 和更豐富的功能。

快速上手 TimesFM：初學者指南

現在，讓我們開始動手試試看吧！以下是一些簡單的步驟，讓你快速上手 TimesFM：

1. 準備環境

首先，你需要準備 Python 開發環境，並安裝相關的套件。 這裡我們使用 uv 來建立虛擬環境，並安裝套件。

1. 安裝必要工具：
   • 確保你已經安裝了 Python。
   • 安裝 uv: 你可以依照 uv 的官方指示安裝 (通常使用 pip install uv)。
2. 建立虛擬環境： 在終端機 (terminal) 中，進入你想要存放專案的資料夾，然後執行：

   uv venv
   

   這會建立一個虛擬環境，讓你的專案與其他 Python 環境隔離，避免套件衝突。

3. 啟用虛擬環境：

   source .venv/bin/activate
   

   這會啟動虛擬環境。你會看到終端機提示符號前面出現 (.venv)，表示你目前正在虛擬環境中。

4. 安裝 TimesFM:

   git clone https://github.com/google-research/timesfm.git
   cd timesfm
   uv pip install -e .[torch]  # 或 .[flax] 或 .[xreg]，依照你的需求選擇
   

   • git clone 下載 TimesFM 的程式碼。
   • cd timesfm 進入程式碼資料夾。
   • uv pip install -e .[torch] 安裝 TimesFM 以及 PyTorch 相關的套件。 如果你想要使用 Flax，可以把 torch 換成 flax。 如果你需要 XReg 的支援， 則使用 xreg。 選擇 torch 是一個好的開始，因為 PyTorch 比較容易上手。
5. （可選）安裝 PyTorch 或 JAX: 依照你的作業系統和硬體加速器（CPU、GPU、TPU 或 Apple Silicon）的選擇， 安裝 PyTorch 或 JAX。 如果你的電腦有 NVIDIA GPU，建議安裝支援 CUDA 的 PyTorch， 這樣可以加速模型的訓練和預測。 請參考 PyTorch 官方網站 或 JAX 官方網站 上的安裝說明。

2. 撰寫程式碼

接下來，讓我們用 Python 寫一些程式碼來使用 TimesFM。 這裡提供一個簡單的範例：

import torch
import numpy as np
import timesfm

# 設定 PyTorch 預設的浮點數運算精度
torch.set_float32_matmul_precision("high")

# 載入 TimesFM 模型
model = timesfm.TimesFM_2p5_200M_torch.from_pretrained("google/timesfm-2.5-200m-pytorch")

# 設定預測的參數
model.compile(
    timesfm.ForecastConfig(
        max_context=1024,
        max_horizon=12, # 預測未來 12 個時間點
        normalize_inputs=True, # 歸一化輸入數據
        use_continuous_quantile_head=True, # 使用分位數預測
        force_flip_invariance=True,
        infer_is_positive=True,
        fix_quantile_crossing=True,
    )
)

# 準備輸入數據
# 這裡使用兩個虛擬的輸入，你可以替換成你自己的時間序列數據
inputs = [
    np.linspace(0, 1, 100),  # 第一個輸入：從 0 到 1 的線性數列，長度為 100
    np.sin(np.linspace(0, 20, 67)), # 第二個輸入：正弦函數，長度為 67
]

# 進行預測
point_forecast, quantile_forecast = model.forecast(
    horizon=12, # 預測未來 12 個時間點
    inputs=inputs, # 輸入數據
)

# 輸出預測結果的形狀 (shape)
print("點預測的形狀:", point_forecast.shape)  # 預測結果的形狀 (2, 12)
print("分位數預測的形狀:", quantile_forecast.shape)  # 分位數預測的形狀 (2, 12, 10)

程式碼說明：

• import 導入套件： 匯入必要的套件，包括 torch (PyTorch)，numpy (數值計算)，和 timesfm。
• torch.set_float32_matmul_precision("high")： 設置 PyTorch 的運算精度， 可以提高運算效率。
• model = timesfm.TimesFM_2p5_200M_torch.from_pretrained("google/timesfm-2.5-200m-pytorch")： 載入 TimesFM 2.5 版本的模型， 200M 代表模型的參數數量。
• model.compile()： 設定預測的相關參數，例如 max_context (上下文長度，輸入數據的長度), max_horizon (預測的長度，預測多少個時間點), normalize_inputs (是否歸一化輸入數據) 等等。
• inputs： 準備輸入數據。 範例程式碼使用兩個虛擬的輸入數據， 你可以替換成你自己的時間序列數據。 輸入數據需要是 NumPy 的 array。
• model.forecast()： 進行預測， 預測結果包含 point_forecast (點預測) 和 quantile_forecast (分位數預測)。
• print()： 印出預測結果的形狀， 方便你了解預測結果的結構。

3. 執行程式碼

在你的終端機中，執行 Python 程式碼：

python 你的程式碼檔名.py

如果你沒有遇到錯誤，你會看到程式碼輸出了預測結果的形狀。 恭喜你，你已經成功使用了 TimesFM 進行時間序列預測了！

深入了解 TimesFM 的核心概念

雖然上面的程式碼範例已經讓你體驗了 TimesFM 的基本用法， 但要更有效地使用它， 還是需要了解一些核心概念：

• 上下文 (Context) 和預測長度 (Horizon)：
  • 上下文 (Context)： 模型在預測時會參考的歷史數據長度。 就像你讀小說一樣， 需要先讀一段時間的劇情， 才能預測接下來會發生什麼。 在範例中， max_context=1024 表示模型會參考長度為 1024 的歷史數據。
  • 預測長度 (Horizon)： 你希望模型預測的時間點數量。 在範例中， horizon=12 表示模型會預測未來 12 個時間點的數值。
• 輸入數據 (Inputs)：
  • TimesFM 接受多個輸入。 這些輸入可以包含你想要預測的時間序列數據， 也可以包含其他相關的資訊， 稱為 協變量 (Covariates)。 例如，如果你想預測每月的銷售額， 輸入數據可以包含過去幾個月的銷售額， 以及當月的廣告支出、促銷活動等。
  • 輸入數據需要是 NumPy 的 array。
• 預測類型：
  • 點預測 (Point Forecast)： 預測單一數值。 例如，預測下個月的銷售額是 100 萬。
  • 分位數預測 (Quantile Forecast)： 預測一個數值範圍， 並提供不同分位數的預測結果。 例如， 預測下個月的銷售額有 80% 的機率落在 90 萬到 110 萬之間。 這可以幫助你了解預測的不確定性。 範例程式碼中 use_continuous_quantile_head=True 表示使用分位數預測。
• 模型參數：
  • 在 model.compile() 中， 你可以調整許多參數來控制預測的行為， 例如是否歸一化輸入數據， 是否使用分位數預測等等。
  • 歸一化 (Normalization): normalize_inputs=True 會將輸入數據進行歸一化， 將其縮放到一定的範圍內， 幫助模型更好地學習。

錯誤排除指南

在使用 TimesFM 時，你可能會遇到一些問題。 以下是一些常見問題的解決方案：

• 套件安裝錯誤： 如果遇到 ModuleNotFoundError 錯誤， 可能是你沒有正確安裝套件。 請檢查你是否在正確的虛擬環境中， 並且確認你已經安裝了 timesfm 以及其他必要的套件 (例如 torch 或 flax)。 你可以再次執行安裝指令來確認：
  bash
uv pip install -e .[torch] # 或 .[flax] 或 .[xreg]
• 記憶體不足： 如果你的電腦記憶體不足， 可能會遇到錯誤。 你可以嘗試減少上下文長度 (max_context) 和預測長度 (max_horizon)， 或者使用更小的模型版本。 像是 TimesFM_2p5_200M_torch 的模型參數比較少， 佔用的記憶體也相對較少。
• 輸入數據格式錯誤： 確保你的輸入數據是 NumPy 的 array， 并且符合 TimesFM 要求的格式。
• 模型載入錯誤： 確認你使用的模型名稱 ("google/timesfm-2.5-200m-pytorch") 是正確的。 你可以在 Hugging Face 網站上找到可用的模型列表。
• GPU 設定問題： 如果你使用 GPU 進行加速， 並且遇到問題， 請確認你已經正確安裝了 PyTorch 或 JAX 的 GPU 版本， 並且你的 GPU 驅動程式是最新的。 你也可以在程式碼中加入以下程式碼來確認 PyTorch 是否可以使用 GPU：

  import torch
  if torch.cuda.is_available():
      print("CUDA is available!")
      device = torch.device("cuda")
  else:
      print("CUDA is not available.")
      device = torch.device("cpu")
  

個人實作心得

我個人在使用 TimesFM 的過程中， 發現它非常容易上手， 而且預測效果也相當不錯。 以下是我的一些心得：

• 實驗不同的參數組合： 不要害怕嘗試不同的參數組合。 max_context、max_horizon、normalize_inputs 等等， 不同的參數設定會影響預測的結果。 通過實驗， 你可以找到最適合你數據的參數組合。
• 資料預處理很重要： 在將數據輸入到 TimesFM 之前， 進行適當的預處理非常重要。 例如， 處理缺失值， 歸一化數據等等。 良好的資料預處理可以提高預測的準確性。
• 結合其他工具： 你可以將 TimesFM 與其他機器學習工具結合使用。 例如， 可以使用 Pandas 進行資料處理， 使用 Matplotlib 或 Seaborn 進行視覺化分析。
• 持續學習： 時間序列預測是一個不斷學習的過程。 持續閱讀相關的論文和技術文章， 了解最新的研究進展， 可以幫助你更好地使用 TimesFM 和其他模型。

結論

TimesFM 是一個非常強大且易於使用的时间序列預測模型， 即使你是一個初學者， 也可以快速上手。 希望這篇文章能夠幫助你了解 TimesFM 的基本概念和使用方法。 現在就開始嘗試， 探索時間序列預測的奧秘吧！ 祝你預測成功！

參考資料：

• TimesFM 論文
• TimesFM Hugging Face Collection
• Google Research blog
• TimesFM in BigQuery
  

參考閱讀

https://github.comundefined