Chronos, набір попередньо підготовлених моделей у GluonTS, відрізняється від інших попередньо підготовлених моделей кількома ключовими моментами:
1. Прогнозування з нульовим випадком: Chronos розроблений для прогнозування часових рядів з нульовим випадком, тобто він може генерувати точні ймовірнісні прогнози для нових часових рядів, які не спостерігаються під час навчання. Це на відміну від інших моделей, які потребують тонкого налаштування конкретних наборів даних для досягнення високої продуктивності[1][2].
2. Архітектура мовної моделі: моделі Chronos базуються на архітектурі мовної моделі, яка розбиває значення часових рядів на сегменти та обробляє їх як токени. Цей підхід дозволяє ефективно обробляти та прогнозувати нові часові ряди даних[2][3].
3. Попереднє навчання: моделі Chronos попередньо навчаються на великому масиві даних часових рядів із відкритим кодом, доповнених методами генерації синтетичних даних. Це попереднє навчання дозволяє моделям вивчити загальні закономірності та особливості в даних часових рядів, які можна застосувати до нових, невідомих даних[2][3].
4. Розміри моделей: моделі Chronos доступні в п’яти розмірах: крихітні (параметри 8M), міні (20M), маленькі (46M), базові (200M) і великі (710M). Ці розміри пропонують різні рівні складності та вимоги до обчислень, причому більші моделі вимагають більш потужного апаратного забезпечення для ефективного висновку [2].
5. Висновок: на відміну від інших моделей, моделі Chronos не виконують навчання для конкретного завдання. Натомість вони виконують дорожче обчислення під час висновку, яке лінійно масштабується з кількістю часових рядів у наборі даних. Це робить їх придатними для широкомасштабних задач прогнозування з нульовим ударом [2].
6. Тонке налаштування: хоча моделі Chronos розроблені для нульової продуктивності, їх можна точно налаштувати на конкретних наборах даних для подальшого підвищення їх точності. Це тонке налаштування можна виконати за допомогою загальних методів та інструментів глибокого навчання[3].
Підсумовуючи, Chronos виділяється серед інших попередньо навчених моделей у GluonTS завдяки своїй зосередженості на нульовому прогнозуванні, архітектурі мовної моделі, попередньому навчанні та ефективних можливостях логічного висновку. Ці функції роблять його потужним інструментом для обробки великомасштабних невидимих даних часових рядів.
цитати:[1] https://ts.gluon.ai/stable/
[2] https://auto.gluon.ai/stable/tutorials/timeseries/forecasting-chronos.html
[3] https://arxiv.org/html/2403.07815v1
[4] https://github.com/awslabs/gluonts
[5] https://ts.gluon.ai/stable/tutorials/forecasting/quick_start_tutorial.html