Das Google-Forschungsteam hat kürzlich TimesFM (zeitreihenbasiertes Grundmodell) 2.0 vorgestellt, ein vortrainiertes Modell, das speziell für die Zeitreihenprognose entwickelt wurde. Das Modell zielt darauf ab, die Genauigkeit von Zeitreihenprognosen zu verbessern und den Fortschritt der künstlichen Intelligenz durch Open Source und wissenschaftliche Zusammenarbeit voranzutreiben.
TimesFM 2.0 bietet leistungsstarke Funktionen und kann univariate Zeitreihenprognosen mit bis zu 2048 Zeitpunkten verarbeiten. Es unterstützt beliebige Prognosezeiträume.
Es ist erwähnenswert, dass das Modell, obwohl die maximale Kontextlänge beim Training 2048 beträgt, in der Praxis auch längere Kontexte verarbeiten kann. Das Modell konzentriert sich auf Punktprognosen und bietet experimentell 10 Quantilköpfe, die jedoch nach dem Vortraining noch nicht kalibriert wurden.
Beim Datenvortraining umfasst TimesFM 2.0 eine Kombination mehrerer Datensätze, darunter der Vortrainingsdatensatz von TimesFM 1.0 und zusätzliche Datensätze aus LOTSA. Diese Datensätze decken verschiedene Bereiche ab, wie z. B. Wohnstromverbrauch, Solarenergieerzeugung und Verkehrsfluss, und bieten eine solide Grundlage für das Training des Modells.
Mit TimesFM 2.0 können Benutzer einfacher Zeitreihenprognosen erstellen und die Entwicklung verschiedener Anwendungen vorantreiben, darunter Prognosen für Einzelhandelsumsätze, Aktienkurse, Website-Traffic, Umweltüberwachung und intelligente Verkehrssysteme.
Modellzugang: https://huggingface.co/google/timesfm-2.0-500m-pytorch
Wichtigste Punkte:
🌟 TimesFM 2.0 ist ein neues Zeitreihenprognosemodell von Google, das sich auf die Verbesserung der Genauigkeit von Zeitreihenprognosen konzentriert.
🔧 Das Modell unterstützt Prognosen mit bis zu 2048 Zeitpunkten und kann beliebige Prognosezeiträume verarbeiten.
📊 Benutzer können die Prognosehäufigkeit je nach den Merkmalen der Zeitreihe frei wählen, um die Flexibilität der Prognose zu erhöhen.