見出し画像

TimeGPT-1で時系列データの予測

株式会社United Code

TimeGPT-1とは？


TimeGPT-1は、トランスフォーマーベースのアーキテクチャで大量の多様な時系列データで事前に学習されたモデルとのことです。
文献[1]の実験では、ショートタームのパフォーマンスはLGBMが良いですが、ロングタームのパフォーマンスはTimeGPTが優れていたようです。

今回はこのTimeGPTを利用して時系列予測をしてみます。
まずはサイトにあるチュートリアルを動かしてみます。
実行環境はGoogle Corabです。

チュートリアル

インストール

pip install nixtlats
from nixtlats import TimeGPT
timegpt = TimeGPT(
    token = '取得したAPIキーを設定する'
)

下記サイトにログイン後に「Get Token」からAPIキーを取得し、APIキーを設定します。

timegpt.validate_token()

こちらでTrueが出力されれば、正しくトークンの設定が出来ています。

時系列データの予測

import pandas as pd

df = pd.read_csv('https://raw.githubusercontent.com/Nixtla/transfer-learning-time-series/main/datasets/air_passengers.csv')
df.head()

このチュートリアルでは、1949年から1960年までの月別の飛行機の乗客数データセットを使用しています。日付データは「timestamp」で表され、その月の乗客数は数値データとして「value」に格納されています。

air_passengers.csv
timegpt.plot(df, time_col='timestamp', target_col='value')

それではtimegptのforecastで予測をしてみます。
指定するパラメーターは下記の通りです。

  • h : 予測のステップ数

  • freq : 時系列データの頻度をPandasのフォーマットで指定。MSは月間になります。

  • time_col : 日付のカラムを指定

  • target_col : 予測したいカラムを指定

timegpt_fcst_df = timegpt.forecast(df=df, h=12, freq='MS', time_col='timestamp', target_col='value')
timegpt_fcst_df.head()
予測結果
timegpt.plot(df, timegpt_fcst_df, time_col='timestamp', target_col='value')

予測結果をプロットしてみます。
1960年1月からの予測がプロットされています。

ビットコインの価格を予測させてみる

次にビットコインの価格を予測させてみます。

pip install yfinance

yfinanceを利用してBTCJPYの価格データを取得します。

import yfinance

ticker = yfinance.Ticker("BTC-JPY")
df = ticker.history(period="max")
df.tail()

同じようにプロットしてみます。

timegpt.plot(df, time_col="Date", target_col='Close')
ビットコインの価格データのプロット
timegpt_fcst_df = timegpt.forecast(df=df, h=30, time_col='Date', target_col='Close', freq='D')

30日分を予測してみました。

timegpt.plot(df, timegpt_fcst_df, time_col="Date", target_col='Close')

最後に予測分もプロットしてみます。

まとめ

今回は、TimeGPTを使って時系列データの予測を試しました。さらに、金融時系列データとしてビットコインの終値データも予測してみました。TimeGPTには、予測だけでなくアノマリー検知もできるようですので、次回はアノマリー検知も試してみたいと思います。

参考

[1] Azul Garza, Max Mergenthaler-Canseco. TimeGPT-1. arXiv. アクセス日 2024年2月21日, https://arxiv.org/abs/2310.03589