Merlion: Eine Machine-Learning-Bibliothek für Zeitreihen

Inhaltsverzeichnis

1. Einführung
2. Vergleich mit verwandten Bibliotheken
3. Installation
4. Dokumentation
5. Erste Schritte
   1. Anomalieerkennung
   2. Prognose
6. Evaluierung und Benchmarking
7. Technischer Bericht und Zitieren von Merlion

Einführung

Merlion ist eine Python-Bibliothek für Zeitreihen-Intelligenz. Sie bietet ein End-to-End-Machine-Learning-Framework, das das Laden und Transformieren von Daten, das Erstellen und Trainieren von Modellen, die Nachbearbeitung von Modellausgaben sowie die Bewertung der Modellleistung umfasst. Es unterstützt verschiedene Aufgaben des Zeitreihenlernens, darunter Prognose, Anomalieerkennung und Change-Point-Erkennung für univariate und multivariate Zeitreihen. Diese Bibliothek soll Ingenieuren und Forschern eine Komplettlösung bieten, um schnell Modelle für ihre spezifischen Zeitreihenanforderungen zu entwickeln und sie über mehrere Zeitreihendatensätze hinweg zu benchmarken.

Die wichtigsten Merkmale von Merlion sind:

• Standardisiertes und einfach erweiterbares Laden von Daten und Benchmarking für eine breite Palette von Prognose- und Anomalieerkennungsdatensätzen. Dies beinhaltet transparente Unterstützung für benutzerdefinierte Datensätze.
• Eine Bibliothek vielfältiger Modelle für Anomalieerkennung, Prognose und Change-Point-Erkennung, die alle unter einer gemeinsamen Schnittstelle vereint sind. Die Modelle umfassen klassische statistische Methoden, Baum-Ensembles und Deep-Learning-Ansätze. Fortgeschrittene Benutzer können jedes Modell nach Wunsch vollständig konfigurieren.
• Abstrakte DefaultDetector- und DefaultForecaster-Modelle, die effizient sind, robust gute Leistungen erzielen und einen Ausgangspunkt für neue Benutzer bieten.
• AutoML für automatische Hyperparameter-Abstimmung und Modellauswahl.
• Einheitliche API zur Verwendung einer breiten Palette von Modellen für Prognosen mit exogenen Regressoren.
• Praktische, von der Industrie inspirierte Nachbearbeitungsregeln für Anomalieerkennungsmodelle, die Anomalie-Scores interpretierbarer machen und gleichzeitig die Anzahl falsch positiver Ergebnisse reduzieren.
• Benutzerfreundliche Ensembles, die die Ausgaben mehrerer Modelle kombinieren, um eine robustere Leistung zu erzielen.
• Flexible Evaluierungspipelines, die den Live-Einsatz und das Nachtrainieren eines Modells in der Produktion simulieren und die Leistung sowohl bei der Prognose als auch bei der Anomalieerkennung bewerten.
• Native Unterstützung für die Visualisierung von Modellvorhersagen, einschließlich einer klickbaren visuellen Benutzeroberfläche.
• Verteilter Berechnungs-Backend mit PySpark, das zur Bereitstellung von Zeitreihenanwendungen im industriellen Maßstab verwendet werden kann.

Vergleich mit verwandten Bibliotheken

Die folgende Tabelle bietet einen visuellen Überblick darüber, wie sich die wichtigsten Funktionen von Merlion im Vergleich zu anderen Bibliotheken für Zeitreihen-Anomalieerkennung und/oder -Prognose verhalten.

	Merlion	Prophet	Alibi Detect	Kats	darts	statsmodels	nixtla	GluonTS	RRCF	STUMPY	Greykite	pmdarima
Univariate Prognose	✅	✅		✅	✅	✅	✅	✅			✅	✅
Multivariate Prognose	✅			✅	✅	✅	✅	✅
Univariate Anomalieerkennung	✅	✅	✅	✅	✅				✅	✅	✅	✅
Multivariate Anomalieerkennung	✅		✅	✅	✅				✅	✅
Vorverarbeitung	✅		✅	✅	✅		✅	✅			✅	✅
Nachbearbeitung	✅		✅
AutoML	✅			✅							✅
Ensembles	✅			✅	✅					✅
Benchmarking	✅				✅	✅	✅				✅
Visualisierung	✅	✅		✅	✅						✅

Die folgenden Funktionen sind neu in Merlion 2.0:

	Merlion	Prophet	Alibi Detect	Kats	darts	statsmodels	nixtla	GluonTS	RRCF	STUMPY	Greykite	pmdarima
Exogene Regressoren	✅	✅			✅	✅					✅	✅
Change-Point-Erkennung	✅	✅	✅	✅							✅
Klickbare visuelle Benutzeroberfläche	✅
Verteiltes Backend	✅						✅

Installation

Merlion besteht aus zwei Unter-Repos: merlion implementiert die zentralen Zeitreihen-Intelligenzfunktionen der Bibliothek, und ts_datasets bietet standardisierte Datenlader für mehrere Zeitreihendatensätze. Diese Lader laden Zeitreihen als pandas.DataFrame-Objekte mit zugehörigen Metadaten.

Sie können merlion von PyPI installieren, indem Sie pip install salesforce-merlion aufrufen. Sie können aus dem Quellcode installieren, indem Sie dieses Repo klonen und pip install Merlion/ aufrufen, oder pip install -e Merlion/ für die Installation im bearbeitbaren Modus (Editable Mode). Sie können zusätzliche Abhängigkeiten über pip install salesforce-merlion[all] installieren oder pip install "Merlion/[all]" aufrufen, wenn Sie aus dem Quellcode installieren. Zu den optionalen Abhängigkeiten gehören unter anderem dashboard für ein GUI-Dashboard, spark für ein verteiltes Berechnungs-Backend mit PySpark und deep-learning für alle Deep-Learning-Modelle.

Um das Datenladepaket ts_datasets zu installieren, klonen Sie dieses Repo und rufen Sie pip install -e Merlion/ts_datasets/ auf. Dieses Paket muss im bearbeitbaren Modus installiert werden (d. h. mit dem Flag -e), wenn Sie beim Initialisieren des Datenladers nicht das Stammverzeichnis jedes Datensatzes manuell angeben möchten.

Beachten Sie die folgenden externen Abhängigkeiten:

1. Einige unserer Prognosemodelle hängen von OpenMP ab. Wenn Sie conda verwenden, führen Sie bitte conda install -c conda-forge lightgbm aus, bevor Sie unser Paket installieren. Dadurch wird sichergestellt, dass OpenMP so konfiguriert ist, dass es mit dem Paket lightgbm (einer unserer Abhängigkeiten) in Ihrer conda- Umgebung funktioniert. Wenn Sie einen Mac verwenden, installieren Sie bitte Homebrew und rufen Sie brew install libomp auf, damit die OpenMP-Bibliothek für das Modell verfügbar ist.