El equipo de investigación de Google ha lanzado recientemente TimesFM (Modelo de Base Temporal) 2.0, un modelo preentrenado diseñado específicamente para la predicción de series temporales. Este modelo tiene como objetivo mejorar la precisión de la predicción de series temporales e impulsar el desarrollo de la inteligencia artificial a través de la publicación de código abierto y el intercambio científico.
TimesFM 2.0 cuenta con potentes funciones, capaz de procesar predicciones de series temporales univariantes de hasta 2048 puntos de tiempo y admite cualquier lapso de tiempo de predicción.
Cabe destacar que, aunque la longitud máxima del contexto de entrenamiento del modelo es de 2048, en la práctica se pueden manejar contextos más largos. El modelo se centra en la predicción puntual, y experimentalmente proporciona 10 cabezas de cuantiles, pero estas no se han calibrado después del preentrenamiento.
En cuanto al preentrenamiento de datos, TimesFM 2.0 incluye una combinación de múltiples conjuntos de datos, incluyendo el conjunto de preentrenamiento de TimesFM 1.0 y conjuntos de datos adicionales de LOTSA. Estos conjuntos de datos abarcan múltiples dominios, como la carga eléctrica residencial, la generación de energía solar, el tráfico, etc., proporcionando una base rica para el entrenamiento del modelo.
Con TimesFM 2.0, los usuarios pueden realizar predicciones de series temporales con mayor facilidad, impulsando el desarrollo de diversas aplicaciones, incluyendo ventas minoristas, tendencias bursátiles, tráfico de sitios web, monitoreo ambiental y transporte inteligente.
Enlace al modelo: https://huggingface.co/google/timesfm-2.0-500m-pytorch
Puntos clave:
🌟 TimesFM 2.0 es un nuevo modelo de predicción de series temporales lanzado por Google, enfocado en mejorar la precisión de la predicción de series temporales.
🔧 El modelo admite predicciones de hasta 2048 puntos de tiempo y puede manejar cualquier lapso de tiempo de predicción.
📊 Los usuarios pueden elegir libremente la frecuencia de predicción según las diferentes características de las series temporales, aumentando la flexibilidad de la predicción.
