google-research/timesfm
项目介绍
TimesFM是谷歌研究团队开发的预训练时间序列基础模型，专注于时间序列预测任务。
TimesFM (Time Series Foundation Model) is a pretrained time-series foundation model developed by Google Research for time-series forecasting.
智能解读
TimesFM是谷歌研究团队开发的一个预训练时间序列基础模型，专门用于时间序列预测任务。该模型采用解码器架构，能够基于历史数据直接预测未来趋势。最新发布的TimesFM 2.5版本在保持高性能的同时，将参数量从5亿精简至2亿，并显著将上下文长度从2048提升至16000，使其能够处理更长期的历史信息。模型新增了对连续分位数预测的支持，可提供未来多达1000个时间点的概率性预测区间，增强了预测结果的实用性。此外，它摒弃了原有的频率标识符，简化了使用流程。TimesFM适用于多种需要时间序列预测的场景，如销售预测、能源需求预估、金融市场分析等，用户可通过Hugging Face获取模型，并在PyTorch或Jax框架下进行高效推理。
使用场景
适合需要快速、零样本或少量样本进行长序列多步预测的场景，特别是处理多种频率和外部变量的复杂时序问题。
快速零样本预测
开发者需要对新时间序列数据进行预测，但没有足够的历史数据来训练专门的模型。
使用TimesFM的预训练模型进行零样本预测，无需训练即可对新序列生成预测结果。
电商平台需要预测新上架商品的未来销量，只有几周的销售数据，无法训练传统时序模型。
长序列多步预测
需要预测未来很长时间（如1000步）的多个分位数，传统模型难以处理长预测范围。
利用TimesFM 2.5支持16k上下文长度和1k预测范围的能力，一次性生成连续分位数预测。
能源公司需要预测未来3年（约1000天）的电力需求，并给出不同置信区间的预测范围。
多频率序列统一处理
处理不同频率（日、周、月）的时间序列数据需要为每种频率单独建模，维护成本高。
TimesFM 2.5移除了频率指示器，可以统一处理各种频率的序列，简化模型部署。
金融机构需要同时预测股票日收益率、周交易量和月营收，使用单一模型处理所有频率。
集成外部变量预测
时间序列预测需要考虑外部协变量（如促销活动、天气），但传统模型集成外部变量复杂。
使用TimesFM 2.5的XReg协变量支持功能，将外部变量作为输入提升预测准确性。
零售企业预测销售额时，需要结合促销活动、节假日等外部因素进行更精准的预测。
项目健康度
距上次更新 7 天
平台 Star TOP 14% · Forks 1,304
本周 +4,702 ⭐ · 本月 +2,224 ⭐
19 位贡献者 · 0 条平台评论
缺少 2 项内容
项目信息
赞赏支持
如果本站对你有帮助，欢迎打赏支持
微信
支付宝
Widget 徽章
相关项目推荐
public-apis/public-apis
免费API资源汇总列表
EbookFoundation/free-programming-books
📚 免费提供的编程书籍
donnemartin/system-design-primer
学习如何设计大规模系统。为系统设计面试做准备。包含Anki记忆卡片。
vinta/awesome-python
精心整理的优质Python框架、库、软件及资源列表
TheAlgorithms/Python
所有算法均使用Python实现
Significant-Gravitas/AutoGPT
AutoGPT致力于实现人人可用的普惠AI，让每个人都能使用和构建AI。我们的使命是提供工具，让您专注于重要事务。
加载评论中...