详细内容或原文请订阅后点击阅览

时间序列预测基于LLM的基础模型和AWS上的可扩展AIOPS

2025年3月5日 21:20 33 Comments
X Twitter Instagram Mail

在此博客文章中，我们将使用合成数据集将计时集成到Amazon Sagemaker管道中，该数据集将计算数据集整合到Amazon Sagemaker管道中，该数据集模拟销售预测方案，以最小的数据将准确有效的预测解锁准确有效的预测。

来源:亚马逊云科技 _机器学习
时间序列预测对于各个行业的决策至关重要。从预测流量到销售预测，准确的预测使组织能够做出明智的决定，减轻风险并有效地分配资源。但是，传统的机器学习方法通​​常需要广泛的数据特定于数据的调整和模型自定义，从而导致了漫长而繁重的开发。EnterChronos，Enter Chronos，一种尖端的时间序列模型，它使用大语言模型（LLM）体系结构的力量来突破这些障碍。作为基础模型，Chronos已在大型且多样的数据集中进行了预训练，从而使其能够在多个域中推广预测能力。这种创新的方法使计时可以在零拍摄的预测中表现出色，这是对目标数据集进行特定培训的预测。在大多数基准数据集中，计时率优于特定于任务的模型。Chronos建立在关键见解上：LLMS和时间序列预测旨在解码顺序模式以预测未来事件。这种并行的使我们能够将时间序列数据视为由现成的变压器体系结构建模的语言。为了实现这一可能，计时将连续的时间序列数据通过将时间序列缩放到其绝对均值扩展的两个步骤，然后将缩放时间序列量化为固定数量的固定数量相等的bins。在此博客文章中，我们将指导您通过将Chronos necialitiation Amazon Sagemaker Unboriable集成到Sagemate and consection and Amazon Sagemaker detain formitation and Amazon Sagemaker decection，该过程模拟了Amazon Sagemaker nociality，该过程将最小数据的预测。您将学习如何使用功能来协调从微调到部署的整个工作流程。到这次旅程结束时，您将有能力简化开发过程并将计时应用于任何时间序列数据，从而改变您的预测方法。
结构建模 进行 数据 过程 能够 体系结构 相等的 传统的 扩展的 力量 预测 Sagemaker 基准数据 Chronos 标数据 数据集 Amazon 机器学习 基准数 模型 预测方法 结构的 现成的 变压器 学习方法 最小数 多样的 准确的 尖端的 并行的 使用 目标数据 特定 广泛的 部署 时间序列 计时 连续的 能力