AutoGluon-TimeSeries সহ সহজ এবং সঠিক পূর্বাভাস

AutoGluon-TimeSeries হল AutoGluon-এর সর্বশেষ সংযোজন, যা আপনাকে সহজেই তিনটি লাইনের কোড সহ শক্তিশালী টাইম সিরিজ পূর্বাভাস মডেল তৈরি করতে সাহায্য করে।

টাইম সিরিজের পূর্বাভাস একটি বিস্তৃত শিল্পের পাশাপাশি বৈজ্ঞানিক ডোমেনে একটি সাধারণ কাজ। সরবরাহ, চাহিদা বা ক্ষমতার জন্য নির্ভরযোগ্য পূর্বাভাসের অ্যাক্সেস থাকা ব্যবসার জন্য পরিকল্পনা করার জন্য অত্যন্ত গুরুত্বপূর্ণ। যাইহোক, সময় সিরিজের পূর্বাভাস একটি কঠিন সমস্যা, বিশেষ করে যখন হাজার হাজার সম্ভাব্য সম্পর্কিত টাইম সিরিজ পাওয়া যায়, যেমন ইকমার্সে একটি বৃহৎ ক্যাটালগে বিক্রয় বা শত শত কর্মক্ষম সাইটের ক্ষমতা।

সরল পরিসংখ্যান বা বিচার-ভিত্তিক পূর্বাভাস পদ্ধতিগুলি প্রায়শই ইতিমধ্যেই শক্তিশালী বেসলাইন যা নভেল মেশিন লার্নিং (এমএল) পদ্ধতিগুলির সাথে উন্নত করা কঠিন। অধিকন্তু, ML-এ পূর্বাভাস দেওয়ার ক্ষেত্রে সাম্প্রতিক অগ্রগতির প্রয়োগগুলি বৈচিত্র্যময়, কয়েকটি পদ্ধতি যেমন ডিপএআর [১] বা টেম্পোরাল ফিউশন ট্রান্সফরমার [২] জনপ্রিয় পছন্দ হিসেবে আবির্ভূত হচ্ছে। যাইহোক, এই পদ্ধতিগুলিকে প্রশিক্ষণ দেওয়া, সুর করা এবং উত্পাদনে স্থাপন করা কঠিন, যার জন্য এমএল এবং সময় সিরিজ বিশ্লেষণের বিশেষজ্ঞ জ্ঞান প্রয়োজন।

AutoML হল ML-এর মধ্যে একটি দ্রুত বর্ধনশীল বিষয়, যা ML পাইপলাইনে স্বয়ংক্রিয়ভাবে সাধারণ কাজগুলিকে ফোকাস করে, যার মধ্যে রয়েছে বৈশিষ্ট্য প্রিপ্রসেসিং, মডেল নির্বাচন, মডেল টিউনিং, এনসেম্বলিং এবং স্থাপনা৷ AutoGluon-TimeSeries এর সর্বশেষ সংযোজন অটোগ্লুওন, নেতৃস্থানীয় ওপেন-সোর্স অটোএমএল সমাধানগুলির মধ্যে একটি, এবং পূর্বাভাসের কাজগুলিতে অটোএমএলের জন্য অটোগ্লুওনের শক্তিশালী কাঠামোর উপর তৈরি করে৷ AutoGluon-TimeSeries-কে তিনটি লাইনের কোড সহ শক্তিশালী পূর্বাভাস সিস্টেম তৈরি করার জন্য ডিজাইন করা হয়েছিল, যা বৈশিষ্ট্য প্রিপ্রসেসিং, মডেল নির্বাচন, মডেল টিউনিং এবং স্থাপনের সহজতার চ্যালেঞ্জগুলি দূর করে।

AutoGluon-TimeSeries-এ একটি সাধারণ কল সহ TimeSeriesPredictor, AutoGluon মানানসই মডেলগুলিতে অগ্রাধিকারের একটি স্বজ্ঞাত ক্রম অনুসরণ করে: সহজ সরল বেসলাইন থেকে শুরু করে এবং শক্তিশালী গ্লোবাল নিউরাল নেটওয়ার্ক এবং বুস্ট করা ট্রি-ভিত্তিক পদ্ধতিতে চলে যাওয়া, সবই ব্যবহারকারীর দ্বারা নির্ধারিত সময়ের বাজেটের মধ্যে। যখন সম্পর্কিত টাইম সিরিজ (সময়-পরিবর্তিত কোভেরিয়েট বা এক্সোজেনাস ভেরিয়েবল) বা আইটেম মেটাডেটা (স্ট্যাটিক বৈশিষ্ট্য) উপলব্ধ থাকে, তখন অটোগ্লুওন-টাইমসিরিজ তাদের পূর্বাভাসের মধ্যে যুক্ত করে। লাইব্রেরি হাইপারপ্যারামিটার টিউনিংয়ের জন্য বেয়েসিয়ান অপ্টিমাইজেশানে ট্যাপ করে, জটিল মডেলগুলিকে টিউন করে সেরা মডেল কনফিগারেশনে পৌঁছায়। অবশেষে, AutoGluon-TimeSeries সেরা পরিসংখ্যানগত এবং ML-ভিত্তিক পদ্ধতিগুলিকে একত্রিত করে একটি মডেল এনসেম্বলে যা হাতের সমস্যার জন্য অপ্টিমাইজ করা হয়েছে।

এই পোস্টে, আমরা দ্রুত একটি শক্তিশালী পূর্বাভাসক তৈরি করতে AutoGluon-TimeSeries-এর ব্যবহারের সহজতা প্রদর্শন করি।

AutoGluon-TimeSeries দিয়ে শুরু করুন

শুরু করতে, আপনাকে অটোগ্লুওন ইনস্টল করতে হবে, যা একটি ইউনিক্স শেলে পিপ দিয়ে সহজেই করা যায়:

pip install "autogluon>=0.6"

AutoGluon-TimeSeries চালু করে TimeSeriesDataFrame একাধিক সম্পর্কিত সময় সিরিজ (কখনও কখনও প্যানেল ডেটাসেট বলা হয়) অন্তর্ভুক্ত ডেটাসেটের সাথে কাজ করার জন্য ক্লাস। এই ডেটা ফ্রেমগুলি তথাকথিত দীর্ঘ ফর্ম্যাট ডেটা ফ্রেমগুলি থেকে তৈরি করা যেতে পারে, যার টাইম সিরিজ আইডি এবং টাইমস্ট্যাম্পগুলি সারিগুলিতে সাজানো থাকে। নিম্নলিখিত একটি যেমন তথ্য উদাহরণ, M4 প্রতিযোগিতা থেকে নেওয়া [3]. এখানে item_id কলাম একক সময়ের সিরিজের অনন্য শনাক্তকারীকে নির্দিষ্ট করে, যেমন একাধিক পণ্যের দৈনিক বিক্রয় ডেটার জন্য পণ্য আইডি। দ্য target কলাম হল আগ্রহের মান যা AutoGluon-TimeSeries পূর্বাভাস দিতে শিখবে। weekend পর্যবেক্ষণটি সপ্তাহান্তে ছিল কি না তা চিহ্নিত করার জন্য আমরা উত্পাদিত একটি অতিরিক্ত সময়-পরিবর্তনশীল কোভেরিয়েট।

আমরা সহজেই একটি নতুন উত্পাদন করতে পারেন TimeSeriesDataFrame ব্যবহার করে এই ডেটাসেট থেকে from_data_frame নির্মাণকারী নিম্নলিখিত পাইথন কোড দেখুন:

df = TimeSeriesDataFrame.from_data_frame(raw_data_frame)

কিছু টাইম সিরিজ ডেটাতে অ-সময়-পরিবর্তন বৈশিষ্ট্য রয়েছে (স্ট্যাটিক বৈশিষ্ট্য বা আইটেম মেটাডেটা) যা একটি পূর্বাভাস মডেল প্রশিক্ষণে ব্যবহার করা যেতে পারে। উদাহরণস্বরূপ, M4 ডেটাসেট প্রতিটি সময় সিরিজের জন্য একটি বিভাগ পরিবর্তনশীল বৈশিষ্ট্যযুক্ত। এই যোগ করা যেতে পারে TimeSeriesDataFrame সেট করে static_features একটি নতুন ডেটা ফ্রেমের সাথে পরিবর্তনশীল।

নিম্নলিখিত কোড ব্যবহার করুন:

df.static_features = raw_static_features

একটি TimeSeries Predictor প্রশিক্ষণ দিন

অবশেষে, আমরা কল করতে পারেন TimeSeriesPredictor একটি সঠিক পূর্বাভাস সিস্টেম তৈরি করার জন্য পূর্বাভাস মডেলের একটি বিস্তৃত অ্যারের মাপসই করা। নিম্নলিখিত কোড দেখুন:

predictor = TimeSeriesPredictor(
    prediction_length=7,
    eval_metric="MASE",
    known_covariates_names=["weekend"],
)

এখানে, আমরা উল্লেখ করি যে TimeSeriesPredictor পরবর্তী সাতটি সময়ের পূর্বাভাস দেওয়ার জন্য মডেল তৈরি করা উচিত এবং গড় পরম স্কেল করা ত্রুটি ব্যবহার করে সেরা মডেলগুলি বিচার করা উচিত (MASE) অধিকন্তু, আমরা ইঙ্গিত করি যে সময়-পরিবর্তনশীল কোভেরিয়েট weekend ডেটাসেটে উপলব্ধ। আমরা এখন ভবিষ্যদ্বাণীকারী বস্তুর উপর ফিট করতে পারি TimeSeriesDataFrame আগে উত্পাদিত:

predictor.fit(df, presets="medium_quality", time_limit=1800)

প্রশিক্ষণের ডেটা প্রদান করা ছাড়াও, আমরা ভবিষ্যদ্বাণীকারীকে ব্যবহার করতে বলি “medium_quality” প্রিসেট AutoGluon-TimeSeries একাধিক প্রিসেটের সাথে আসে মডেলের উপসেটগুলিকে বিবেচনা করার জন্য এবং তাদের টিউন করার জন্য কত সময় ব্যয় করতে হয়, প্রশিক্ষণের গতি বনাম নির্ভুলতার মধ্যে ট্রেড-অফ পরিচালনা করে। প্রিসেট ছাড়াও, আরও অভিজ্ঞ ব্যবহারকারীরা a hyperparameters কম্পোনেন্ট মডেল এবং কোন হাইপারপ্যারামিটার তাদের উপর সেট করতে হবে তা সুনির্দিষ্টভাবে নির্দিষ্ট করার যুক্তি। আমরা 1,800 সেকেন্ডের একটি সময়সীমাও নির্দিষ্ট করি, যার পরে ভবিষ্যদ্বাণীকারী প্রশিক্ষণ বন্ধ করে দেয়।

হুডের নিচে, অটোগ্লুওন-টাইমসিরিজ নির্দিষ্ট সময়সীমার মধ্যে যতটা সম্ভব মডেলকে প্রশিক্ষণ দেয়, সরল কিন্তু শক্তিশালী বেসলাইন থেকে শুরু করে এবং বুস্ট করা গাছ এবং নিউরাল নেটওয়ার্ক মডেলের উপর ভিত্তি করে আরও জটিল পূর্বাভাসের দিকে কাজ করে। কল করে predictor.leaderboard(), আমরা এটি প্রশিক্ষিত সমস্ত মডেলের একটি তালিকা এবং প্রতিটির জন্য সঠিকতার স্কোর এবং প্রশিক্ষণের সময় দেখতে পারি। মনে রাখবেন যে প্রতিটি AutoGluon-TimeSeries মডেল তার ত্রুটিগুলি একটি "উচ্চতর ভাল" বিন্যাসে রিপোর্ট করে, যার অর্থ বেশিরভাগ পূর্বাভাস ত্রুটির পরিমাপ রিপোর্ট করার সময় -1 দ্বারা গুণিত হয়। নিম্নলিখিত উদাহরণ দেখুন:

              model  score_val  pred_time_val  fit_time_marginal  fit_order
0  WeightedEnsemble  -0.612510      15.406334          48.428711          8
1  AutoGluonTabular  -0.654924       1.068694         104.208688          6
2            DeepAR  -0.673366       6.731659        1065.956648          7
3     SeasonalNaive  -1.035286       0.410615           0.000742          2
4               ETS  -1.073640       5.832542           0.000584          3
5             Theta  -1.107362       1.773439           0.000614          4
6             ARIMA  -3.006273       2.483140           0.000625          5
7             Naive  -3.427339      29.532215           0.000577          1

একটি TimeSeriesPredictor সহ পূর্বাভাস

সবশেষে, আমরা ভবিষ্যদ্বাণীকারী ব্যবহার করতে পারি a তে সর্বকালের সিরিজ ভবিষ্যদ্বাণী করতে TimeSeriesDataFrame, 7 দিন ভবিষ্যতে. মনে রাখবেন যে আমরা সময়-পরিবর্তিত কোভেরিয়েট ব্যবহার করেছি যেগুলি ভবিষ্যতে পরিচিত বলে ধরে নেওয়া হয়, সেগুলিও ভবিষ্যদ্বাণীর সময়ে নির্দিষ্ট করা উচিত। নিম্নলিখিত কোড দেখুন:

predictions = predictor.predict(
	df,
	known_covariates=future_known_covariates
)

ডিফল্টরূপে, AutoGluon-TimeSeries লক্ষ্য মানের বিন্দু পূর্বাভাস এবং সম্ভাব্য (পরিমাণ) উভয় পূর্বাভাস প্রদান করে। সম্ভাব্য পূর্বাভাসগুলি অনেক পরিকল্পনার কাজে অপরিহার্য, এবং এগুলি নমনীয়ভাবে ব্যবধান গণনা করতে ব্যবহার করা যেতে পারে, যা তালিকা এবং ক্ষমতা পরিকল্পনার মতো ডাউনস্ট্রিম কাজগুলিকে সক্ষম করে।

নিম্নলিখিত একটি নমুনা পূর্বাভাস প্লট প্রদর্শন পয়েন্ট পূর্বাভাস এবং ভবিষ্যদ্বাণী বিরতি.

উপসংহার

AutoGluon-TimeSeries পূর্বাভাসকারী এবং ডেটা বিজ্ঞানীদের শক্তিশালী পূর্বাভাস মডেল তৈরি করার একটি দ্রুত এবং সহজ উপায় দেয়। এই পোস্টে প্রদর্শিত লাইব্রেরির সাধারণভাবে ব্যবহৃত কিছু বৈশিষ্ট্য ছাড়াও, AutoGluon-TimeSeries উন্নত ব্যবহারকারীদের জন্য পূর্বাভাস কনফিগার করার উপায়গুলির একটি সেট রয়েছে৷ ভবিষ্যদ্বাণীকারীদের প্রশিক্ষণ, স্থাপনা এবং স্কেলে পরিবেশন করাও সহজ আমাজন সেজমেকার, AutoGluon গভীর শিক্ষা ব্যবহার করে পাত্রে.

অটোগ্লুওন, উদাহরণ, টিউটোরিয়াল, সেইসাথে অটোগ্লুওন ট্যাকল করার অন্যান্য কাজ যেমন ট্যাবুলার বা মাল্টিমোডাল ডেটা শেখার বিষয়ে আরও বিশদের জন্য, দেখুন অটোগ্লুওন. AutoGluon-TimeSeries ব্যবহার শুরু করতে, আমাদের দেখুন দ্রুত শুরু টিউটোরিয়াল অথবা আমাদের গভীরভাবে টিউটোরিয়াল লাইব্রেরি অফার করে এমন সমস্ত বৈশিষ্ট্যগুলি গভীরভাবে দেখার জন্য। AutoGluon চালু করুন Twitter, এবং আমাদের তারকা GitHub সর্বশেষ আপডেট সম্পর্কে অবহিত করা।

ডেডিকেটেড কম্পিউট এবং ওয়ার্কফ্লো, এন্টারপ্রাইজ-লেভেল সাপোর্ট, পূর্বাভাস ব্যাখ্যাযোগ্যতা এবং আরও অনেক কিছু সহ স্কেলে পূর্বাভাসের জন্য, এছাড়াও পরীক্ষা করে দেখুন আমাজন পূর্বাভাস.

তথ্যসূত্র

[১] স্যালিনাস, ডেভিড, ভ্যালেন্টিন ফ্লাঙ্কার্ট, জ্যান গাসথাউস এবং টিম জানুশস্কি। "DeepAR: অটোরিগ্রেসিভ পুনরাবৃত্ত নেটওয়ার্কগুলির সাথে সম্ভাব্য পূর্বাভাস।" পূর্বাভাসের আন্তর্জাতিক জার্নাল 36. 3 (2020): 1181-1191।

[২] লিম, ব্রায়ান, সেরকান ও আরিক, নিকোলাস লোয়েফ এবং টমাস ফিস্টার। "ব্যাখ্যাযোগ্য বহু-দিগন্ত সময় সিরিজের পূর্বাভাসের জন্য টেম্পোরাল ফিউশন ট্রান্সফরমার।" পূর্বাভাসের আন্তর্জাতিক জার্নাল 37.4 (2021): 1748-1764

[৩] মাক্রিডাকিস, স্পাইরোস, ইভানজেলোস স্পিলিওটিস এবং ভ্যাসিলিওস অ্যাসিমাকোপোলোস। "M3 প্রতিযোগিতা: 4 টাইম সিরিজ এবং 100,000টি পূর্বাভাস পদ্ধতি।" পূর্বাভাসের আন্তর্জাতিক জার্নাল 36.1 (2020): 54-74

লেখক সম্পর্কে

ক্যানের তুর্কমেন তিনি অ্যামাজন ওয়েব সার্ভিসেস-এর একজন ফলিত বিজ্ঞানী, যেখানে তিনি অটোগ্লুওন-টাইমসিরিজ তৈরির পাশাপাশি মেশিন লার্নিং এবং পূর্বাভাসের সংযোগে সমস্যা নিয়ে কাজ করেন। AWS-এ যোগদানের আগে, তিনি ডেটা সায়েন্টিস্ট হিসেবে ম্যানেজমেন্ট কনসালটিং ইন্ডাস্ট্রিতে কাজ করেছিলেন, সারা বিশ্ব জুড়ে প্রজেক্টে আর্থিক পরিষেবা এবং টেলিকমিউনিকেশন ইন্ডাস্ট্রিগুলিকে পরিবেশন করেছিলেন। ক্যানারের ব্যক্তিগত গবেষণার আগ্রহগুলি পূর্বাভাস, কার্যকারণ অনুমান এবং অটোএমএল সহ বিভিন্ন বিষয়ে বিস্তৃত।

অলেক্সান্ডার শচুর Amazon Web Services-এর একজন ফলিত বিজ্ঞানী, যেখানে তিনি AutoGluon-TimeSeries-এ টাইম সিরিজের পূর্বাভাস নিয়ে কাজ করেন। AWS-এ যোগদানের আগে, তিনি জার্মানির মিউনিখের টেকনিক্যাল ইউনিভার্সিটি থেকে মেশিন লার্নিং-এ পিএইচডি সম্পন্ন করেন, ইভেন্ট ডেটার জন্য সম্ভাব্য মডেলের উপর গবেষণা করেন। তার গবেষণার আগ্রহের মধ্যে রয়েছে অস্থায়ী ডেটা এবং জেনারেটিভ মডেলিংয়ের জন্য মেশিন লার্নিং।

নিক এরিকসন অ্যামাজন ওয়েব সার্ভিসেসের একজন সিনিয়র ফলিত বিজ্ঞানী। তিনি মিনেসোটা টুইন সিটি ইউনিভার্সিটি থেকে কম্পিউটার সায়েন্স অ্যান্ড ইঞ্জিনিয়ারিংয়ে স্নাতকোত্তর ডিগ্রি অর্জন করেন। তিনি ওপেন সোর্স অটোএমএল ফ্রেমওয়ার্ক অটোগ্লুওনের সহ-লেখক এবং প্রধান বিকাশকারী। 2018 সালে একটি ব্যক্তিগত প্রতিযোগিতা ML টুলকিট হিসাবে শুরু করে, নিক ক্রমাগত AutoGluon-এর ক্ষমতা প্রসারিত করে এবং 2019 সালে Amazon AI-তে যোগদান করে প্রকল্পটি ওপেন-সোর্স করতে এবং AutoML-এ অত্যাধুনিক অগ্রগতির জন্য পুরো সময় কাজ করে।