TSMixer グーグルによる最新の予測モデル

TSMixer Google最新予測モデル解説

TSMixerのアーキテクチャを探索し、長期の多変量予測タスクのためにPythonで実装する

時系列予測の分野は活気にあふれており、N-HiTS、PatchTST、TimesNet、そしてTimeGPTなど、多くの重要な最近の貢献があります。

一方、Transformerのアーキテクチャは自然言語処理（NLP）の分野で前例のないパフォーマンスを発揮しましたが、時系列予測には当てはまりません。

実際、Autoformer、Informer、FEDformerなど、多くのTransformerベースのモデルが提案されています。これらのモデルはしばしば訓練に非常に長い時間がかかりますが、シンプルな線形モデルの方が多くのベンチマークデータセットで優れたパフォーマンスを発揮することがわかっています（Zheng et al., 2022を参照）。

そのような状況の中、2023年9月にグーグルクラウドAI研究からは、TSMixerという、時間と特徴次元を組み合わせてより良い予測を行うための多層パーセプトロン（MLP）ベースのモデルが提案されました。

• マイクロソフト アジュール：クラウドコンピューティングの未来を支える
• 「PythonとSimpleITKを使用した3D医療画像データの処理方法」
• 「注目のAI GitHubリポジトリ：2023年11月13日の週」

論文「TSMixer: An All-MLP Architecture for Time Series Forecasting」では、著者たちがこのモデルが多くのベンチマークデータセットで最先端のパフォーマンスを達成し、実装もシンプルであることを示しています。

この記事では、まずTSMixerのアーキテクチャを探索し、その内部動作を理解します。そして、Pythonでモデルを実装し、独自の実験を実行してN-HiTSとのパフォーマンスを比較します。

TSMixerの詳細については、オリジナルの論文をご覧ください。

最新の時系列分析技術を学びたい方には、私の無料の時系列チートシートをPythonで提供しています！統計的および深層学習技術の実装がすべてPythonとTensorFlowで提供されています！

それでは始めましょう！

TSMixerを探索する

予測において、クロス変量情報を使用するとより良い予測が可能であることは直感的に理解できます。

例えば、天候や降水量は、遊園地への訪問者数に影響を及ぼす可能性があります…

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!