Nixtla開源新創打造「TimeGPT」 實現時間序列應用領域的生成式AI

近年來，隨著人工智慧技術的迅猛發展，企業對於預測未來趨勢的需求日益增加。在供應鏈管理、財務分析、能源調度等關鍵領域，精準的時間序列預測技術能有效降低風險、優化決策流程。TimeGPT是由Nixtla開發的生成式AI時間序列預測模型，專門用於預測各類時間序列數據，如財務市場變動、需求波動、能源消耗等。其核心技術基於Transformer架構，能夠處理長期時間依賴關係，並具備強大的多變數預測能力。另一方面，Nixtla 本身是一家專注於開源時間序列建模與預測的技術公司，提供多種AI驅動的分析工具，幫助企業提升決策效率。其中，Nixtla的開源庫（如 statsforecast 和 neuralforecast）已被廣泛應用於供應鏈管理、金融、製造等領域。本文將探討這兩項技術的應用場景、技術原理，以及它們如何透過生成式 AI 與數據驅動的方式，提升企業競爭力。

技術原理

TimeGPT 是一種專為時間序列預測設計的生成式AI模型，它利用Transformer架構透過大規模歷史數據學習時間序列的特徵，提供準確的短期與長期預測能力。技術核心包含：

1. 長期依賴建模（Long-Range Dependencies）：TimeGPT採用自注意力機制（Self-Attention）來捕捉長期趨勢，能有效識別週期性與異常變化。

2. 多變數特徵整合（Multivariate Forecasting）：能同時處理多個變數，如市場需求、天氣、季節性影響等，提供更全面的預測結果。

3. 零樣本與小樣本適應能力（Zero-Shot & Few-Shot Learning）：即便數據量有限，TimeGPT 仍能透過遷移學習提供合理的預測。

圖1：TimeGPT transformer訓練生成架構範例

資料來源：https://docs.nixtla.io/docs/key-concepts

TimeGPT如何實現零樣本推理？

該模型基於金融、電力、交通、天氣、供應鏈、製造業等多個領域的數據集（超過1000億筆開放資料）進行訓練，在維度與數據量上達到相當高的水準，並進一步透過遷移學習技術對未見過的數據進行零樣本推理，這種數據多樣性確保了模型具備良好的穩定度與泛化能力。值得注意的是，由於該模型偏向商業應用，因此論文並未公開所使用的數據集，這使得TimeGPT的性能真實性難以驗證。Transformer由Encoder與Decoder兩種模型架構組合而成，通常生成式AI的模型主要為Decoder模型，如上圖所示，藉由大量多元的數據集進行反復的序列輸入與輸出，促使Transformer學習輸入序列與輸出序列的邏輯規則。

生成式時間序列應用場域與使用方式

Nixtla實驗室的首席技術長兼創始人Azul Garza在一場演講會議中提到，時間序列資料是在金融業、能源、科技等幾乎所有企業的重要基石，例如：銷售數據、物聯網感測數據、電力需求、金融交易等無數時間序列的應用，即使是天氣預測也是一種時間序列應用，因此，打造一個時間序列領域的生成式模型至關重要。為了實現開放與可訪問的時間序列AI，Nixtla匯集了最全面的開源生態系統，專門用於處理時間序列，時至今日，包含微軟、Wayfair、Lyft、福特、AWS、IKEA、GOOGLE等企業皆使用Nixtla開源技術做為該企業內部之技術，如圖2所示。

TimeGPT運行方式與ChatGPT類似，用戶只需輸入他們的時間序列數據，就能立刻獲得準確的預測，無須自己訓練或優化模型。此外，用戶亦可以如同ChatGPT一樣透過呼叫API的方式進行TimeGPT的模型微調，企業僅需準備少量自身內部的標註資料，搭配TimeGPT的API，即可將資料傳輸給TimeGPT進行模型的微調，取得微調過後的專業模型，進而達到更加貼近企業本身的精準預測。驗證結果顯示，TimeGPT的預測準確度高出傳統方法5% ~ 20%，僅需兩行程式碼即可完成部署。

圖2：Nixtla實驗室

資料來源：https://www.youtube.com/watch?v=5pYkT0rTCfE

封面圖片來源：https://www.youtube.com/watch?v=5pYkT0rTCfE

參考資料來源：

1. Nixtla官網文件說明：https://docs.nixtla.io/docs/key-concepts
2. TimeGPT演講摘要：https://blog.csdn.net/weixin_46812959/article/details/134859749