TimesFM 2.0: Google veröffentlicht ein vortrainiertes Modell für Zeitreihenvorhersagen

Allgemeine Einführung

TimesFM 2.0 - 500M PyTorch ist ein vortrainiertes Zeitreihen-Basismodell, das von Google Research entwickelt wurde und für die Vorhersage von Zeitreihen konzipiert ist. 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

Ablauf der Installation

1. Installation von Abhängigkeiten::
   • ausnutzen pyenv im Gesang antworten Poesie 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 installieren 3.11.x
   pyenv virtualenv 3.11.x timesfm-env
   pyenv aktivieren timesfm-env
   Poesie installieren
   

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


Verwendung Prozess

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:

    torch importieren
   input_data = torch.tensor([...])  # Ersetzen durch aktuelle Zeitreihendaten
   Vorhersagen = 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=Ihr_datensatz)
   trainer.train()
   

4. Verwendung von externen Regressionsvariablen::
   • Unterstützung für die Vorhersage von Null-Stichproben-Kovariaten: python
externe_Regressoren = torch.tensor([...]) # Ersetzen Sie die Daten durch die tatsächlichen externen Regressorvariablen
Vorhersagen = model(input_data, external_regressors=external_regressors)