Functime:支持接入大模型的时间序列特征提取和预测工具

在数据分析和机器学习领域，时间序列数据的处理和预测是一个关键且复杂的任务。Functime是一个专为大规模时间序列数据分析而设计的Python库，它利用Polars库的并行处理能力，以其高效、易用和强大的功能，为时间序列分析提供了一整套解决方案。

Functime的核心特性

1. 生产就绪：Functime提供了一个强大且易于使用的API，用于预测和特征工程，适用于生产环境。
2. 快速性能：能够在几秒钟内对100,000个时间序列进行预测，即使在笔记本电脑上也能实现。
3. 高效特征提取：使用Polars库并行提取数百个时间序列特征。
4. 支持多种数据模式：Functime支持面板数据和时间序列数据模式，适用于不同的数据集结构。
5. 全面的功能：包括预处理、特征提取、时间序列交叉验证/分割器、回测、自动化超参数调整和评分。
6. 外生特征支持：每个预测器都支持外生特征。
7. 季节性效应：使用日历、傅里叶和假日特征来处理季节性效应。
8. 自动化滞后和超参数调整：使用FLAML进行自动化滞后和超参数调整。
9. 概率预测：通过分位数回归和保形预测提供概率预测。
10. 评分指标：支持并行评分，使用MASE、sMAPE、CRPS等预测指标。
11. 支持递归和直接预测策略：为零膨胀预测提供截断模型。
12. 与LLMs互操作：Functime支持调用大型语言模型（如OpenAI的GPT模型），以增强预测分析。

安装和使用

Functime可以通过pip包管理器轻松安装。如果需要额外的功能，如使用大型语言模型或LightGBM预测器，可以通过指定额外的选项进行安装：

pip install "functime[llm,lgb]"

Functime提供了一个简洁的API，允许用户以函数式编程的方式进行数据的拟合和预测。例如，可以使用以下代码进行时间序列的加载、训练、预测和评分：

import polars as pl
from functime.cross_validation import train_test_split
from functime.forecasting import linear_model
from functime.preprocessing import scale
from functime.metrics import mase

# 加载商品价格数据
y = pl.read_parquet("https://github.com/functime-org/functime/raw/main/data/commodities.parquet")
entity_col, time_col = y.columns[:2]

# 时间序列分割
y_train, y_test = y.pipe(train_test_split(test_size=3))

# 拟合-预测
forecaster = linear_model(freq="1mo", lags=24)
forecaster.fit(y=y_train)
y_pred = forecaster.predict(fh=3)

# 评分预测
scores = mase(y_true=y_test, y_pred=y_pred, y_train=y_train)

特征提取

Functime提供了100多个时间序列特征提取器，每个特征都可以通过Functime的自定义ts（时间序列）命名空间轻松访问。例如，可以使用以下代码提取单个时间序列的特征：

from functime.feature_extractors import FeatureExtractor, binned_entropy

# 加载商品价格数据
y = pl.read_parquet("https://github.com/functime-org/functime/raw/main/data/commodities.parquet")
entity_col, time_col, value_col = y.columns

# 提取单个时间序列的特征
binned_entropy = binned_entropy(
    pl.Series(np.random.normal(0, 1, size=10)),
    bin_count=10
)

Functime还支持在LazyFrames上进行查询优化，可以快速地对多个时间序列进行特征提取。

使用大模型进行分析

Functime允许用户利用大型语言模型对预测结果进行深入分析。例如，可以分析不同商品的价格预测，并提供数据集的上下文以帮助LLM进行更准确的分析：

analysis = y_pred.llm.analyze(
    context="This dataset comprises of forecasted commodity prices between 2020 to 2023.",
    basket=["Aluminum", "Banana, Europe"],
)

Functime还允许用户比较不同商品或资产类别的预测结果。以下是一个比较两个不同商品篮子预测结果的示例：

basket_a = ["Aluminum", "Banana, Europe"]
basket_b = ["Chicken", "Cocoa"]
comparison = y_pred.llm.compare(basket=basket_a, other_basket=basket_b)

总结

Functime是一个功能丰富的时间序列分析库，它不仅提供了高效的预测和特征提取工具，还通过集成大型语言模型，增强了对预测结果的分析和解释能力。通过结合传统机器学习方法和最新的人工智能技术，Functime为用户提供了一个全面而先进的时间序列分析解决方案。