TimesFM 2.0: Google veröffentlicht ein vortrainiertes Modell für Zeitreihenvorhersagen

Allgemeine Einführung

TimesFM 2.0 - 500M PyTorch ist ein von Google Research entwickeltes, vortrainiertes Zeitreihen-Basismodell, das für die Vorhersage von Zeitreihen konzipiert wurde. Das Modell kann mit Kontextlängen von bis zu 2048 Zeitpunkten umgehen und unterstützt beliebige Vorhersagebereiche.TimesFM 2.0 schneidet in mehreren führenden Benchmarks gut ab, mit einer Leistungsverbesserung von 25% gegenüber seinem Vorgänger.Das Modell bietet auch 10 experimentelle Quantil-Header, obwohl diese nach dem Vortraining nicht kalibriert wurden. Die Nutzer können das Modell über die Hugging Face-Plattform herunterladen und für Zeitreihenprognosen verwenden.

Dieses Modell kann in Szenarien wie der Vorhersage von Einzelhandelsumsätzen, Aktienbewegungen, Website-Verkehr usw. verwendet werden. TimesFM 2.0 ist auf Platz 1 der GIFT-Eval-Bewertungsliste und unterstützt die Feinabstimmung mit Ihren eigenen Daten. Es führt univariate Zeitreihenprognosen für bis zu 2048 Zeitpunkte sowie für jede beliebige Länge des Prognosebereichs durch, mit einem optionalen Frequenzindikator.

Funktionsliste

• ZeitreihenprognoseUnterstützt Kontextlängen von bis zu 2048 Zeitpunkten und beliebige Vorhersagebereiche.
• Quantilprognose10 experimentelle Quartilköpfe sind vorgesehen.
• Feinabstimmung der ModelleUnterstützung für Modell-Feinabstimmung auf benutzereigenen Daten.
• Unterstützung von Null-Stichproben-KovariatenSupport for zero-sample prediction using external regression variables.
• Hohe LeistungÜbertrifft in mehreren Benchmarks mit einer Leistungssteigerung von 25%.

Hilfe verwenden

Einbauverfahren

1. Installation von Abhängigkeiten::
   • ausnutzen pyenv im Gesang antworten poetry Führen Sie eine lokale Installation durch.
   • Stellen Sie sicher, dass die Python-Version 3.10.x (für JAX-Versionen) oder >=3.11.x (für PyTorch-Versionen) ist.
   • Führen Sie den folgenden Befehl aus, um die Abhängigkeiten zu installieren:

    pyenv install 3.11.x
   pyenv virtualenv 3.11.x timesfm-env
   pyenv activate timesfm-env
   poetry install
   

2. Modelle herunterladen::
   • Besuchen Sie die Plattform Hugging Face, um TimesFM 2.0 herunterzuladen - 500M PyTorch Model Checkpoints.
   • Verwenden Sie den folgenden Befehl, um das Modell herunterzuladen: bash
git clone https://huggingface.co/google/timesfm-2.0-500m-pytorch
cd timesfm-2.0-500m-pytorch


Verwendungsprozess

1. Modelle laden::
   • Laden Sie das Modell in die Python-Umgebung:

    from transformers import TimesFMForTimeSeriesForecasting
   model = TimesFMForTimeSeriesForecasting.from_pretrained("google/timesfm-2.0-500m-pytorch")
   

2. Prognosen erstellen::
   • Bereiten Sie Eingabedaten vor und treffen Sie Vorhersagen:

    import torch
   input_data = torch.tensor([...])  # 替换为实际的时间序列数据
   predictions = model(input_data)
   

3. Feinabstimmung des Modells::
   • Feinabstimmung des Modells anhand eigener Daten:

    from transformers import Trainer, TrainingArguments
   training_args = TrainingArguments(output_dir="./results", num_train_epochs=3, per_device_train_batch_size=4)
   trainer = Trainer(model=model, args=training_args, train_dataset=your_dataset)
   trainer.train()
   

4. Verwendung von externen Regressionsvariablen::
   • Unterstützung für die Vorhersage von Null-Stichproben-Kovariaten: python
external_regressors = torch.tensor([...]) # 替换为实际的外部回归变量数据
predictions = model(input_data, external_regressors=external_regressors)