Chronos-T5-Small Model Detayları Model Hakkında Chronos-T5-Small, Amazon tarafından geliştirilmiş, zaman serisi tahmini için özelleştirilmiş bir dil modelidir. Geleneksel zaman serisi yöntemlerinden farklı olarak, zaman serisi verilerini token'lar halinde ele alarak dil modelleme tekniklerini zaman serisi tahminine uyarlar. Teknik Özellikler: Mimari: T5 (Text-to-Text Transfer Transformer) tabanlı Model Boyutu: Küçük (small) versiyon Parametre Sayısı: ~20M Giriş Formatı: Zaman serisi token'ları Çıkış Formatı: Gelecek zaman periyotları tahmini Eğitim Verisi: Çeşitli zaman serisi veri kümeleri Temel Çalışma Prensibi: Zaman serisi verilerini bir dil gibi ele alır: Zaman serisi değerleri → Token'lar Zaman serisi pattern'leri → Dil yapıları Tahmin → Metin üretimi benzeri çıktı Kullanım Alanları: Finansal tahmin (hisse senedi, döviz kuru) Talep tahmini (perakende, üretim) Enerji tüketimi tahmini Hava durumu ve iklim verisi analizi IoT sensör verisi tahmini İndirme ve Erişim Resmi Model Sayfası:https://huggingface.co/amazon/chronos-t5-small Model Ailesi: chronos-t5-small (~20M parametre) chronos-t5-base (~80M parametre) chronos-t5-large (~200M parametre) İndirme Seçenekleri: from transformers import AutoModelForSeq2SeqLM, AutoTokenizer model_name = "amazon/chronos-t5-small" model = AutoModelForSeq2SeqLM.from_pretrained(model_name) tokenizer = AutoTokenizer.from_pretrained(model_name) Kurulum ve Temel Kullanım Gereksinimler: pip install transformers torch pip install pandas numpy matplotlib pip install datasets Temel Zaman Serisi Tahmini: import torch from transformers import AutoModelForSeq2SeqLM, AutoTokenizer import numpy as np # Model ve tokenizer yükleme model_name = "amazon/chronos-t5-small" tokenizer = AutoTokenizer.from_pretrained(model_name) model = AutoModelForSeq2SeqLM.from_pretrained(model_name) # Zaman serisi verisi (örnek) time_series = [10.2, 11.5, 12.8, 14.1, 15.4, 16.7, 18.0] # Tokenization ve tahmin inputs = tokenizer(time_series, return_tensors="pt", padding=True) with torch.no_grad(): outputs = model.generate( inputs.input_ids, max_length=20, num_beams=5, early_stopping=True ) # Tahminleri decode etme predictions = tokenizer.decode(outputs[0], skip_special_tokens=True) print("Tahminler:", predictions) Detaylı Kullanım Örneği: import pandas as pd from chronos import ChronosPipeline # Chronos pipeline ile tahmin pipeline = ChronosPipeline.from_pretrained("amazon/chronos-t5-small") # Zaman serisi verisi series = pd.Series([1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0, 10.0]) # Tahmin yapma forecast = pipeline.predict(series, prediction_length=5) print("5 periyotluk tahmin:", forecast) Veri Hazırlama ve Ön İşleme Zaman Serisi Formatı: # Pandas Series formatı import pandas as pd time_series = pd.Series( data=[100, 110, 120, 130, 140, 150], index=pd.date_range('2024-01-01', periods=6, freq='D') ) # NumPy array formatı import numpy as np time_series_array = np.array([100, 110, 120, 130, 140, 150]) Özellik Mühendisliği: def prepare_timeseries_data(data, context_length=10): """ Zaman serisi verisini model için hazırlama """ # Normalizasyon mean = data.mean() std = data.std() normalized_data = (data - mean) / std # Context window oluşturma windows = [] for i in range(len(normalized_data) - context_length): window = normalized_data[i:i+context_length] windows.append(window) return windows, mean, std Eğitim ve Fine-Tuning Transfer Learning için: from transformers import Seq2SeqTrainingArguments, Seq2SeqTrainer # Fine-tuning configuration training_args = Seq2SeqTrainingArguments( output_dir="./chronos-finetuned", per_device_train_batch_size=4, prediction_loss_only=True, learning_rate=5e-5, num_train_epochs=10, ) # Trainer oluşturma trainer = Seq2SeqTrainer( model=model, args=training_args, train_dataset=train_dataset, eval_dataset=val_dataset, ) Özel Veri Kümesi ile Eğitim: from datasets import Dataset import pandas as pd # Özel zaman serisi veri kümesi oluşturma def create_dataset(time_series_list, context_length=20, prediction_length=5): examples = [] for series in time_series_list: for i in range(len(series) - context_length - prediction_length): input_seq = series[i:i+context_length] target_seq = series[i+context_length:i+context_length+prediction_length] examples.append({ 'input_ids': input_seq, 'labels': target_seq }) return Dataset.from_list(examples) Değerlendirme ve Metrikler Tahmin Kalitesi Metrikleri: from sklearn.metrics import mean_absolute_error, mean_squared_error def evaluate_predictions(actual, predicted): """ Tahmin performansını değerlendirme """ mae = mean_absolute_error(actual, predicted) mse = mean_squared_error(actual, predicted) rmse = np.sqrt(mse) return { 'MAE': mae, 'MSE': mse, 'RMSE': rmse, 'MAPE': np.mean(np.abs((actual - predicted) / actual)) * 100 } Production Kullanımı API Entegrasyonu: from fastapi import FastAPI import uvicorn app = FastAPI() @app.post("/predict") async def predict_timeseries(data: dict): time_series = data["series"] predictions = pipeline.predict(time_series, prediction_length=data.get("horizon", 5)) return {"predictions": predictions.tolist()} # Çalıştırma: uvicorn main:app --reload Batch Tahminleme: def batch_predict(time_series_list, prediction_length=5): """ Toplu zaman serisi tahmini """ all_predictions = [] for series in time_series_list: prediction = pipeline.predict(series, prediction_length=prediction_length) all_predictions.append(prediction) return all_predictions Performans Optimizasyonu GPU Kullanımı: # GPU desteği device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model = model.to(device) # Mixed precision training from torch.cuda.amp import autocast with autocast(): outputs = model(**inputs) Bellek Optimizasyonu: # Gradient checkpointing model.gradient_checkpointing_enable() # Dynamic padding from transformers import DataCollatorForSeq2Seq data_collator = DataCollatorForSeq2Seq(tokenizer, model=model, padding=True) Sınırlamalar ve Çözümler Sınırlamalar: ⚠️ Uzun zaman serilerinde performans düşüşü ⚠️ Mevsimsel pattern'lerde zorluk ⚠️ Anomali içeren verilerde yanılgı Çözüm Önerileri: ✅ Veri ön işleme ve temizleme ✅ Model fine-tuning ✅ Ensemble yöntemleri ✅ Hybrid modeller (geleneksel + ML) Not: Chronos-T5 modelleri, zaman serisi tahmininde dil modelleme yaklaşımının öncülerindendir. Hem akademik hem de endüstriyel uygulamalar için uygundur.
