AutoGluon-TimeSeries کے ساتھ آسان اور درست پیشن گوئی

AutoGluon-TimeSeries AutoGluon میں تازہ ترین اضافہ ہے، جو آپ کو کوڈ کی تین لائنوں کے ساتھ طاقتور ٹائم سیریز کی پیشن گوئی کرنے والے ماڈلز کو آسانی سے بنانے میں مدد کرتا ہے۔

ٹائم سیریز کی پیشن گوئی صنعتوں کی وسیع صفوں کے ساتھ ساتھ سائنسی ڈومینز میں ایک عام کام ہے۔ سپلائی، ڈیمانڈ، یا صلاحیت کے لیے قابل اعتماد پیشین گوئیوں تک رسائی کاروبار کے لیے منصوبہ بندی کے لیے بہت ضروری ہے۔ تاہم، ٹائم سیریز کی پیشن گوئی ایک مشکل مسئلہ ہے، خاص طور پر جب ہزاروں ممکنہ طور پر متعلقہ ٹائم سیریز دستیاب ہوں، جیسے ای کامرس میں ایک بڑے کیٹلاگ میں فروخت، یا سینکڑوں آپریشنل سائٹس پر صلاحیت۔

سادہ شماریاتی یا فیصلے پر مبنی پیشن گوئی کے طریقے اکثر پہلے سے ہی مضبوط بنیادیں ہوتے ہیں جنہیں نوول مشین لرننگ (ML) طریقوں سے بہتر کرنا مشکل ہوتا ہے۔ مزید برآں، پیشن گوئی کے لیے ML میں حالیہ پیشرفت کے اطلاقات مختلف ہیں، چند طریقوں کے ساتھ جیسے ڈیپ اے آر [1] یا عارضی فیوژن ٹرانسفارمرز [2] مقبول انتخاب کے طور پر ابھر رہے ہیں۔ تاہم، ان طریقوں کو پروڈکشن میں تربیت، ٹیون، اور تعینات کرنا مشکل ہے، جس کے لیے ایم ایل اور ٹائم سیریز کے تجزیہ کے ماہر علم کی ضرورت ہوتی ہے۔

آٹو ایم ایل ایم ایل کے اندر ایک تیزی سے بڑھتا ہوا موضوع ہے، جو ایم ایل پائپ لائنز میں عام کاموں کو خودکار کرنے پر توجہ مرکوز کرتا ہے، بشمول فیچر پری پروسیسنگ، ماڈل سلیکشن، ماڈل ٹیوننگ، انسمبلنگ، اور تعیناتی۔ AutoGluon-TimeSeries اس میں تازہ ترین اضافہ ہے۔ آٹوگلون، ایک سرکردہ اوپن سورس آٹو ایم ایل حلوں میں سے ایک ہے، اور پیشن گوئی کے کاموں میں AutoML کے لیے AutoGluon کے طاقتور فریم ورک پر بناتا ہے۔ AutoGluon-TimeSeries کو کوڈ کی کم سے کم تین لائنوں کے ساتھ طاقتور پیشن گوئی کے نظام بنانے کے لیے ڈیزائن کیا گیا تھا، جس سے فیچر پری پروسیسنگ، ماڈل سلیکشن، ماڈل ٹیوننگ، اور تعیناتی میں آسانی کے چیلنجز کو کم کیا گیا تھا۔

AutoGluon-TimeSeries کو ایک سادہ کال کے ساتھ TimeSeriesPredictor, AutoGluon فٹنگ ماڈلز میں ترجیح کے ایک بدیہی ترتیب کی پیروی کرتا ہے: سادہ سادہ بنیادی خطوط سے شروع ہو کر طاقتور عالمی نیورل نیٹ ورک کی طرف بڑھتا ہے اور درختوں پر مبنی طریقوں کو فروغ دیتا ہے، یہ سب صارف کے مقرر کردہ وقت کے بجٹ کے اندر ہوتا ہے۔ جب متعلقہ ٹائم سیریز (وقت کے لحاظ سے مختلف کوویریٹس یا خارجی متغیرات) یا آئٹم میٹا ڈیٹا (مستحکم خصوصیات) دستیاب ہوں، تو AutoGluon-TimeSeries انہیں پیشن گوئی میں شامل کرتا ہے۔ لائبریری ہائپر پیرامیٹر ٹیوننگ کے لیے Bayesian آپٹیمائزیشن کو بھی ٹیپ کرتی ہے، پیچیدہ ماڈلز کو ٹیوننگ کرکے بہترین ماڈل کنفیگریشن تک پہنچتی ہے۔ آخر میں، AutoGluon-TimeSeries بہترین شماریاتی اور ML پر مبنی طریقوں کو ایک ماڈل کے جوڑ میں جوڑتا ہے جو ہاتھ میں موجود مسئلے کے لیے موزوں ہے۔

اس پوسٹ میں، ہم AutoGluon-TimeSeries کے استعمال میں آسانی کو ایک طاقتور پیشن گوئی کرنے والے کو تیزی سے بنانے میں دکھاتے ہیں۔

AutoGluon-TimeSeries کے ساتھ شروع کریں۔

شروع کرنے کے لیے، آپ کو AutoGluon انسٹال کرنے کی ضرورت ہے، جو آسانی سے UNIX شیل پر پائپ کے ساتھ کیا جاتا ہے:

pip install "autogluon>=0.6"

AutoGluon-TimeSeries متعارف کراتا ہے۔ TimeSeriesDataFrame ڈیٹاسیٹس کے ساتھ کام کرنے کی کلاس جس میں متعدد متعلقہ ٹائم سیریز شامل ہیں (کبھی کبھی پینل ڈیٹاسیٹ کہا جاتا ہے)۔ یہ ڈیٹا فریم نام نہاد طویل فارمیٹ والے ڈیٹا فریموں سے بنائے جا سکتے ہیں، جن میں ٹائم سیریز IDs اور ٹائم سٹیمپ قطاروں میں ترتیب دیے گئے ہیں۔ ذیل میں ایسی ہی ایک ڈیٹا مثال ہے، جو M4 مقابلے سے لی گئی ہے [3]۔ یہاں، دی item_id کالم سنگل ٹائم سیریز کے منفرد شناخت کنندہ کی وضاحت کرتا ہے، جیسے کہ متعدد مصنوعات کے روزانہ سیلز ڈیٹا کے لیے پروڈکٹ ID۔ دی target کالم دلچسپی کی قیمت ہے جس کی پیشن گوئی AutoGluon-TimeSeries سیکھے گی۔ weekend ایک اضافی وقت کے لحاظ سے مختلف کوواریٹ ہے جو ہم نے یہ نشان زد کرنے کے لیے تیار کیا ہے کہ آیا یہ مشاہدہ ہفتے کے آخر میں تھا یا نہیں۔

ہم آسانی سے ایک نیا پیدا کر سکتے ہیں TimeSeriesDataFrame کا استعمال کرتے ہوئے اس ڈیٹاسیٹ سے from_data_frame کنسٹرکٹر مندرجہ ذیل Python کوڈ دیکھیں:

df = TimeSeriesDataFrame.from_data_frame(raw_data_frame)

کچھ ٹائم سیریز کے اعداد و شمار میں غیر وقتی خصوصیات (جامد خصوصیات یا آئٹم میٹا ڈیٹا) ہیں جو پیشن گوئی کے ماڈل کی تربیت میں استعمال کی جا سکتی ہیں۔ مثال کے طور پر، M4 ڈیٹاسیٹ میں ہر بار سیریز کے لیے ایک زمرہ متغیر ہوتا ہے۔ ان میں شامل کیا جا سکتا ہے۔ TimeSeriesDataFrame ترتیب دے کر static_features ایک نئے ڈیٹا فریم کے ساتھ متغیر۔

درج ذیل کوڈ کا استعمال کریں:

df.static_features = raw_static_features

TimeSeries Predictor کو تربیت دیں۔

آخر میں، ہم کال کر سکتے ہیں TimeSeriesPredictor درست پیشن گوئی کا نظام بنانے کے لیے پیشن گوئی کے ماڈلز کی ایک وسیع صف کو فٹ کرنا۔ درج ذیل کوڈ دیکھیں:

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

یہاں، ہم وضاحت کرتے ہیں کہ TimeSeriesPredictor اگلے سات اوقات کی پیشن گوئی کرنے کے لیے ماڈل تیار کرنے چاہئیں اور مطلب مطلق پیمانے کی غلطی کا استعمال کرتے ہوئے بہترین ماڈلز کا فیصلہ کرنا چاہیے (MASE)۔ مزید یہ کہ ہم اس بات کی نشاندہی کرتے ہیں کہ وقت کے لحاظ سے مختلف کوویریٹ weekend ڈیٹا سیٹ میں دستیاب ہے۔ اب ہم پر پیشن گوئی کرنے والے اعتراض کو فٹ کر سکتے ہیں۔ TimeSeriesDataFrame پہلے تیار:

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

تربیت کا ڈیٹا فراہم کرنے کے علاوہ، ہم پیشین گوئی کرنے والے سے استعمال کرنے کو کہتے ہیں۔ “medium_quality” presets AutoGluon-TimeSeries متعدد پیش سیٹوں کے ساتھ آتا ہے تاکہ غور کرنے کے لیے ماڈلز کے ذیلی سیٹوں کو منتخب کیا جا سکے اور تربیت کی رفتار بمقابلہ درستگی کے درمیان تجارت کا انتظام کرتے ہوئے انہیں ٹیوننگ میں کتنا وقت گزارنا ہے۔ presets کے علاوہ، زیادہ تجربہ کار صارف استعمال کر سکتے ہیں a hyperparameters جزو کے ماڈلز اور ان پر کون سے ہائپر پیرامیٹرس کو سیٹ کرنا ہے۔ ہم 1,800 سیکنڈ کی ایک وقت کی حد بھی بتاتے ہیں، جس کے بعد پیشین گوئی کرنے والا تربیت روک دیتا ہے۔

ہڈ کے تحت، AutoGluon-TimeSeries مخصوص ٹائم فریم کے اندر جتنے ماڈلز کو تربیت دیتا ہے، سادہ لیکن طاقتور بیس لائنوں سے شروع ہوتا ہے اور بڑھے ہوئے درختوں اور نیورل نیٹ ورک ماڈلز کی بنیاد پر زیادہ پیچیدہ پیشن گوئی کرنے والوں کی طرف کام کرتا ہے۔ بلا کر predictor.leaderboard()، ہم ان تمام ماڈلز کی فہرست دیکھ سکتے ہیں جنہیں اس نے تربیت دی ہے اور ہر ایک کے لیے درستگی کے اسکور اور تربیت کے اوقات۔ نوٹ کریں کہ ہر AutoGluon-TimeSeries ماڈل اپنی غلطیوں کو "اعلیٰ بہتر ہے" فارمیٹ میں رپورٹ کرتا ہے، جس کا مطلب ہے کہ رپورٹ ہونے پر زیادہ تر پیشین گوئی کی غلطی کے اقدامات کو -1 سے ضرب دیا جاتا ہے۔ مندرجہ ذیل مثال دیکھیں:

              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

TimeSeriesPredictor کے ساتھ پیشن گوئی

آخر میں، ہم a میں ہر وقت کی سیریز کی پیشین گوئی کرنے کے لیے پیشن گو کا استعمال کر سکتے ہیں۔ TimeSeriesDataFrame، مستقبل میں 7 دن۔ نوٹ کریں کہ چونکہ ہم نے وقت کے لحاظ سے مختلف کوویریٹس کا استعمال کیا ہے جن کے بارے میں خیال کیا جاتا ہے کہ مستقبل میں جانا جاتا ہے، ان کی بھی پیشین گوئی کے وقت پر وضاحت کی جانی چاہیے۔ درج ذیل کوڈ دیکھیں:

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

پہلے سے طے شدہ طور پر، AutoGluon-TimeSeries دونوں پوائنٹ کی پیشن گوئی اور ٹارگٹ ویلیو کی امکانی (کوانٹائل) پیشین گوئیاں فراہم کرتی ہے۔ بہت سے منصوبہ بندی کے کاموں میں امکانی پیشین گوئیاں ضروری ہیں، اور ان کا استعمال وقفوں کی لچکدار طریقے سے گنتی کے لیے کیا جا سکتا ہے، جس سے انوینٹری اور صلاحیت کی منصوبہ بندی جیسے بہاو والے کاموں کو قابل بنایا جا سکتا ہے۔

مندرجہ ذیل ایک نمونہ پیشن گوئی پلاٹ ہے جو نقطہ کی پیشن گوئی اور پیشین گوئی کے وقفوں کو ظاہر کرتا ہے۔

نتیجہ

AutoGluon-TimeSeries پیشن گوئی کرنے والوں اور ڈیٹا سائنسدانوں کو طاقتور پیشن گوئی کے ماڈل بنانے کا ایک تیز اور آسان طریقہ فراہم کرتا ہے۔ اس پوسٹ میں دکھائی جانے والی لائبریری کی عام طور پر استعمال کی جانے والی کچھ خصوصیات کے علاوہ، AutoGluon-TimeSeries جدید صارفین کے لیے پیشین گوئیاں ترتیب دینے کے طریقوں کا ایک سیٹ پیش کرتی ہے۔ پیشین گوئی کرنے والوں کے ساتھ پیمانے پر تربیت، تعیناتی اور خدمت کرنا بھی آسان ہے۔ ایمیزون سیج میکر, AutoGluon گہری سیکھنے کا استعمال کرتے ہوئے کنٹینر.

AutoGluon کے استعمال کے بارے میں مزید تفصیلات کے لیے، مثالیں، سبق، نیز دیگر کام جو AutoGluon ٹیکل کرتا ہے جیسے ٹیبلولر یا ملٹی موڈل ڈیٹا پر سیکھنا، ملاحظہ کریں۔ آٹوگلون. AutoGluon-TimeSeries کا استعمال شروع کرنے کے لیے، ہماری چیک کریں۔ فوری شروع ٹیوٹوریل یا ہمارے گہرائی سے سبق لائبریری کی پیش کردہ تمام خصوصیات پر گہری نظر ڈالنے کے لیے۔ AutoGluon آن پر عمل کریں۔ ٹویٹر، اور ہمیں اسٹار کریں۔ GitHub کے تازہ ترین اپڈیٹس کے بارے میں آگاہ کیا جائے۔

وقف شدہ کمپیوٹ اور ورک فلو، انٹرپرائز لیول سپورٹ، پیشن گوئی کی وضاحت اور مزید کے ساتھ پیمانے پر پیشن گوئی کے لیے، یہ بھی چیک کریں ایمیزون کی پیشن گوئی.

حوالہ جات

[1] سیلیناس، ڈیوڈ، ویلنٹن فلنکرٹ، جان گاسٹاؤس، اور ٹم جانشووسکی۔ "DeepAR: خود بخود ریکرنٹ نیٹ ورکس کے ساتھ امکانی پیشن گوئی۔" بین الاقوامی جرنل آف فورکاسٹنگ 36. 3 (2020): 1181-1191۔

[2] لم، برائن، سرکن او ایرک، نکولس لوف، اور ٹامس فائسٹر۔ "تعبیری کثیر افق ٹائم سیریز کی پیشن گوئی کے لیے عارضی فیوژن ٹرانسفارمرز۔" بین الاقوامی جرنل آف فورکاسٹنگ 37.4 (2021): 1748-1764.

[3] Makridakis، Spyros، Evangelos Spiliotis، اور Vassilios Assimakopoulos۔ "M4 مقابلہ: 100,000 ٹائم سیریز اور 61 پیشین گوئی کے طریقے۔" بین الاقوامی جرنل آف فورکاسٹنگ 36.1 (2020): 54-74.

مصنفین کے بارے میں

کینر ترکمان ایمیزون ویب سروسز میں ایک اپلائیڈ سائنٹسٹ ہے، جہاں وہ آٹوگلون ٹائم سیریز تیار کرنے کے علاوہ مشین لرننگ اور فورکاسٹنگ کے درمیان مسائل پر کام کرتا ہے۔ AWS میں شامل ہونے سے پہلے، اس نے مینجمنٹ کنسلٹنگ انڈسٹری میں ڈیٹا سائنٹسٹ کے طور پر کام کیا، دنیا بھر میں پراجیکٹس پر مالیاتی خدمات اور ٹیلی کمیونیکیشن انڈسٹریز کی خدمت کی۔ کینر کی ذاتی تحقیقی دلچسپیاں بہت سے موضوعات پر محیط ہیں، بشمول پیشین گوئی، کازل انفرنس، اور آٹو ایم ایل۔

اولیکسینڈر شور Amazon Web Services میں ایک اپلائیڈ سائنٹسٹ ہے، جہاں وہ AutoGluon-TimeSeries میں ٹائم سیریز کی پیشن گوئی پر کام کرتا ہے۔ AWS میں شامل ہونے سے پہلے، انہوں نے میونخ، جرمنی کی ٹیکنیکل یونیورسٹی میں مشین لرننگ میں پی ایچ ڈی مکمل کی، ایونٹ کے ڈیٹا کے لیے امکانی ماڈلز پر تحقیق کی۔ اس کی تحقیقی دلچسپیوں میں وقتی ڈیٹا اور جنریٹیو ماڈلنگ کے لیے مشین لرننگ شامل ہے۔

نک ایرکسن ایمیزون ویب سروسز میں ایک سینئر اپلائیڈ سائنٹسٹ ہیں۔ اس نے یونیورسٹی آف مینیسوٹا ٹوئن سٹیز سے کمپیوٹر سائنس اور انجینئرنگ میں ماسٹر ڈگری حاصل کی۔ وہ اوپن سورس آٹو ایم ایل فریم ورک AutoGluon کے شریک مصنف اور لیڈ ڈویلپر ہیں۔ 2018 میں ذاتی مقابلے کے ML ٹول کٹ کے طور پر شروع کرتے ہوئے، Nick نے AutoGluon کی صلاحیتوں کو مسلسل بڑھایا اور 2019 میں Amazon AI میں شمولیت اختیار کی تاکہ پروجیکٹ کو اوپن سورس بنایا جا سکے اور AutoML میں جدید ترین ٹیکنالوجی کو آگے بڑھانے پر پورا وقت کام کیا جا سکے۔