google-research/timesfm
项目简介
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
综合活跃度、人气、增长、社区、文档评估
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...