Gluonts와 Tensorflow는 시계열 예측을위한 사전 구축 된 모델을 제공하지만 설계 철학, 모델 오퍼링, 기본 프레임 워크 및 사용 사례에서는 크게 다릅니다. 아래는 글루온트 및 텐서 플로우에서 사용할 수있는 사전 제작 된 모델에 중점을 둔 상세한 비교입니다.
Gluonts 사전 제작 된 모델
Gluonts는 확률 시계열 모델링을 위해 특별히 설계된 파이썬 툴킷입니다. Apache MXNet 딥 러닝 프레임 워크 위에 구축되어 Gluon API를 활용합니다. 주요 초점은 시계열 예측 및 이상 탐지와 관련된 과학 실험 및 생산 사용 사례에 있습니다. Gluonts에는 단순한 예측보다는 확률 론적 예측을 강조하는 미리 구축 된 최첨단 모델이 포함되어 있습니다.
글루온트의 사전 구축 된 모델에는 다음이 포함됩니다.
1. Deepar : 일반적으로 LSTM 장치를 기반으로자가 회귀 재발 네트워크를 사용하여 확률 론적 예측을 제공하는 인기있는 자동 회귀 재발 신경 네트워크 모델. 복잡한 시간적 패턴을 배우고 양자 예측을 생성함으로써 예측합니다.
2. Deepstate :이 모델은 상태 공간 모델을 딥 러닝과 결합합니다. 클래식 확률 시계열 모델 (상태 공간 모델)을 신경망과 통합하여 구조화 된 시간적 패턴과 계절성을 효과적으로 캡처 할 수 있습니다.
3. DeepRactor : 여러 시점에서 복잡한 계층 적 및 글로벌 패턴을 캡처하는 딥 팩터 모델. 심층 신경망 구성 요소를 사용하여 잠재 요인 모델을 활용하여 여러 시리즈에서 공유하는 공통 패턴을 모델링합니다.
4. MQ-CNN 및 MQ-RNN (다중 정량 컨볼 루션 및 재발 성 신경 네트워크) :이 모델은 다중 양자를 동시에 모델링하는 데 중점을 두어 세부적인 확률 론적 예측, 특히 불확실성 정량화가 필요한 응용 분야에 적합합니다.
5. 표준 및 가우스 LSTM : 가우스 분포 또는 표준 형태를 가정하여 확률 예측을 출력하는 LSTM 기반 모델의 변형, 예측에 대한 확률 론적 해석을 지원합니다.
6. Deepvar : 벡터 자동 회귀 모델은 신경망 아키텍처로 확장되어 다중 관련 시계열의 공동 모델링을 허용합니다.
이 모델은 계절성, 휴일 및 외부 공변량과 같은 기능을 처리 할 수 있습니다. Gluonts는 또한 분포, 변환 및 신경 구성 요소에 대한 풍부한 추상화 및 모듈 식 구성 요소를 제공하여 새로운 모델의 사용자 정의 및 빠른 개발을 가능하게합니다.
Gluonts 사전 구축 된 모델의 주요 기능은 다음과 같습니다.
- 확률 론적 예측 : 불확실성 정량화에 유용한 포인트 추정치보다는 완전한 예측 분포를 생성합니다.
- 유연성과 모듈성 : 구성 요소를 결합하거나 확장 할 수있어 연구원과 실무자가 새로운 모델을 쉽게 개발할 수 있습니다.
- 데이터 세트 및 실험과 통합 : 다양한 공개 데이터 세트를 사용하여 벤치마킹 및 평가를 용이하게합니다.
- 계층 및 다변량 시리즈를 포함한 다양한 시계열 유형에 대한 지원.
- 재현성과 과학적 실험에 중점을 둡니다.
시계열에 대한 텐서 플로 사전 제작 된 모델
Google이 개발 한 Tensorflow는 광범위한 생태계를 가진 광범위한 딥 러닝 프레임 워크입니다. Gluonts와 달리 시계열에만 특화된 것은 아니지만 많은 응용 프로그램 중 하나로 지원합니다. TensorFlow는 다음을 포함하여 시계열 예측 모델을 구축하고 배포 할 수있는 몇 가지 도구 및 라이브러리를 제공합니다.
1. TENSORFLOW 확률 (TFP) : 많은 분포 및 확률 층을 지원하는 확률 론적 모델링을위한 애드온. TFP는 확률 론적 구성 요소를 제공하지만 Gluonts와 유사한 완전한 사전 건설 확률 시계열 예측 모델은 독립형 패키지로 덜 성숙합니다.
2. Tensorflow Addons : LSTM 변형과 같은 시계열 지향 레이어 및 사용자 지정 예측 모델을 구축하는 데 사용할 수있는주의 메커니즘을 포함한 특수 레이어 및 모델을 포함합니다.
3. Tensorflow 예측 (타사 및 오픈 소스 프로젝트를 통한) : "Tensorflow 타임 시리즈"(적극적으로 유지되지 않음) 및 "TTF"구현 (Temporal Fusion Transformer)과 같은 오픈 소스 Tensorflow 기반 시계열 라이브러리가 있습니다.
4. TETMING FOUNIC 변압기 (TFT) : 원래 Google Cloud AI 연구원이 소개 한 TFT는 해석 가능한 멀티 호리 존 시계열 예측을위한 최첨단 딥 러닝 모델입니다. 오픈 소스로 사용할 수있는 텐서 플로 구현이 있지만 일반적으로 전체적으로 독립형 사전 제작 된 예측 라이브러리가 아닌 연구 지향 예로 제공됩니다.
5. Tensorflow의 Keras API : LSTM, GRU, CONV1D, 밀집된 레이어 및 예측 작업을위한주의 메커니즘을 사용하여 사용자 정의 모델을 구축 할 수있는 유연성을 제공하지만 더 많은 사용자 개발 노력이 필요합니다.
시계열 사전 구축 모델에 대한 텐서 플로의 주요 차이점 :
- 시계열 이외의 광범위한 적용 가능성을 가진 일반 목적 프레임 워크.
- 예측을 위해 통합 된 API로 광범위한 사전 구축 된 모델을 제공하지 않고 맞춤형 모델을 구축하는 데 중점을 둡니다.
- 확률 론적 모델링을위한 텐서 플로우 확률의 가용성이지만 풍부하지 않은 전용 시계열 확률 모델 세트.
- 생산 파이프 라인 및 확장 가능한 인프라와의 강력한 통합.
- 커뮤니티 및 연구 코드를 통한 변압기 및주의 기반 모델과 같은 고급 모델 아키텍처 지원.
비교 측면
모델 전문화
Gluonts는 시계열 예측 및 확률 론적 모델링을 위해 특화되어 있으며 포괄적 인 사전 구축 된 모델로 예측 및 이상 탐지를 위해 특별히 설계된 생태계를 제공합니다. TensorFlow는 시계열 예측을 포함하여 광범위한 모델을 구축 할 수있는 유연성을 제공하지만 전용 전용 예측 모델이 적습니다.
확률 적 예측
Gluonts의 확률 모델링 및 예측 분포 생성에 대한 Gluonts의 기본 지원은 Tensorflow의 Tensorflow 확률과 같은 Tensorflow의 일반 목적 확률 도구에 비해 더욱 발전하고 포괄적이며 사용자 정의 예측 모델을 구축하기위한 추가 노력이 필요합니다.
사용 편의성 및 API
Gluonts는 예측을위한 교육 및 추론 워크 플로를 캡슐화하여 빠른 실험 및 벤치마킹을 촉진하는 추정기 및 예측 변수와 같은 고급 추상화를 제공합니다. Tensorflow는 Keras API 및 하위 수준의 확률 도구를 제공하지만 사용자는 대부분의 구성 요소를 구축하거나 커뮤니티 모델을 조정해야합니다.
모델의 다양성
Gluonts에는 사용할 수있는 몇 가지 최첨단 신경 확률 예측 모델이 포함되어 있으며, 텐서 플로우는 주로 빌딩 블록 (RNN, CNN, Transformers 등)과 통합 패키지가없는 TFT와 같은 고급 모델의 일부 커뮤니티 구현을 제공합니다.
확장 성 및 사용자 정의
Gluonts와 Tensorflow는 모두 깊은 커스터마이징을 가능하게하지만 시계열의 모듈 식 디자인은 모델 개발 및 과학 실험 속도에 맞게 조정되는 반면, Tensorflow의 일반적인 딥 러닝 프레임 워크는 광범위한 AI 시스템 및 생산 환경과 통합에 탁월합니다.
생산 및 확장 성
Tensorflow는 텐서 플로우 서빙 및 클라우드 플랫폼과의 통합을 포함한 광범위한 생태계로 인해 확장 가능한 배치, 분산 교육 및 생산 준비에 상당한 이점이 있습니다. Gluonts는 지역 실행 및 AWS Sagemaker 통합을 지원하지만 생산 사용과 함께 과학 실험에 더 중점을 둡니다.
커뮤니티 및 생태계
Tensorflow는 데이터 파이프 라인 용 리치 툴링, 배포 및 모니터링을 포함하여 기계 학습 영역에 걸쳐 훨씬 더 큰 사용자 기반 및 생태계를 보유하고 있습니다. Gluonts는 아마존과 연구 커뮤니티 내에서 종종 사용되는 시계열 모델링과 관련하여 틈새 시장이지만 강력한 커뮤니티를 가지고 있습니다.
차이 요약
-Gluonts는 예측 및 이상 탐지를 위해 명시 적으로 설계된 최첨단 모델을 갖춘 풍부하고 확률 론적이며 전문화 된 시계열 모델링 툴킷을 제공합니다.
-TensorFlow는 다양한 딥 러닝 플랫폼으로 사용자는 강력한 도구로 사용자 지정 예측 모델을 구축 할 수 있지만 전용의 즉시 사용 가능한 시계열 예측 모델을 제공합니다.
-Gluonts는 확률 론적 예측과 몇 가지 사전 구축 된 모델로 벤치마킹의 용이성에 탁월합니다.
- Tensorflow는 대규모 생산, 다양한 AI 사용 사례에 대한 확장 성 및 복잡한 ML 파이프 라인으로의 통합에 탁월합니다.