🚀 وقتشه ARIMA و Prophet تنها گزینه‌های Forecasting نباشن!

سال‌هاست که وقتی صحبت از پیش‌بینی سری‌های زمانی (Time Series Forecasting) می‌شود، اولین ابزارهایی که به ذهن می‌رسند ARIMA و Prophet هستند.

اما دنیای هوش مصنوعی این حوزه را هم متحول کرده است.

امروزه مدل‌هایی توسعه یافته‌اند که روی میلیاردها نقطه داده آموزش دیده‌اند و بدون نیاز به آموزش مجدد روی داده‌های شما (Zero-shot Forecasting) می‌توانند پیش‌بینی انجام دهند. این مدل‌ها با عنوان Time Series Foundation Models (TSFMs) شناخته می‌شوند و نسل جدید Forecasting را شکل داده‌اند.

در ادامه با ۷ ابزار مهم این حوزه آشنا شوید:

🔹 1. Chronos (Amazon)

مدل پایه آمازون برای Forecasting که از داده‌های تک‌متغیره، چندمتغیره و متغیرهای کمکی پشتیبانی می‌کند و برای استفاده در محیط‌های Production طراحی شده است.

🔗 GitHub:
https://github.com/amazon-science/chronos-forecasting.git

🔹 2. TimesFM (Google)

مدل Foundation گوگل برای پیش‌بینی سری‌های زمانی که با BigQuery ML، Vertex AI و حتی Google Sheets نیز یکپارچه شده است.

🔗 GitHub:
https://github.com/google-research/timesfm.git

🔹 3. TimeGPT (Nixtla)

یکی از محبوب‌ترین ابزارهای Forecasting که علاوه بر پیش‌بینی، تشخیص ناهنجاری (Anomaly Detection)، Fine-Tuning و استفاده از متغیرهای خارجی را نیز پشتیبانی می‌کند.

🔗 وب‌سایت:
https://www.nixtla.io/

🔹 4. Moirai (Salesforce)

یک Transformer متن‌باز برای Forecasting که هم به‌صورت Zero-shot و هم با آموزش روی داده‌های اختصاصی قابل استفاده است.

🔗 GitHub:
https://github.com/SalesforceAIResearch/uni2ts.git

🔹 5. MOMENT (Carnegie Mellon University)

یک Foundation Model چندمنظوره که علاوه بر Forecasting، برای Classification، Anomaly Detection و Imputation نیز کاربرد دارد.

🔗 GitHub:
https://github.com/moment-timeseries-foundation-model/moment.git

🔹 6. numpyro_forecast

اگر به مدل‌های Bayesian علاقه دارید، این کتابخانه امکان تولید پیش‌بینی‌های احتمالاتی همراه با عدم قطعیت (Uncertainty) را فراهم می‌کند.

🔗 GitHub:
https://github.com/pyro-ppl/numpyro.git

🔹 7. skforecast-ai

یک دستیار هوشمند برای Forecasting که داده شما را تحلیل می‌کند، مناسب‌ترین مدل را انتخاب می‌کند و حتی کد آماده اجرا را تولید می‌کند.

🔗 وب‌سایت:
https://skforecast.org/latest/

💡 نکته مهم

همان‌طور که LLMها دنیای پردازش زبان را متحول کردند، Foundation Modelهای سری زمانی نیز در حال تغییر آینده Forecasting هستند. این مدل‌ها هزینه توسعه مدل‌های اختصاصی را کاهش می‌دهند و در بسیاری از مسائل، بدون آموزش مجدد عملکرد بسیار خوبی ارائه می‌کنند. البته هنوز در برخی کاربردهای خاص، مدل‌های سنتی یا مدل‌های آموزش‌دیده روی داده اختصاصی می‌توانند عملکرد بهتری داشته باشند

📌 این پست را ذخیره کنید؛ احتمال زیادی دارد در پروژه بعدی‌تان به یکی از این ابزارها نیاز داشته باشید.