TimesFM 2.0: Google abre un modelo preformado de previsión de series temporales
Últimos recursos sobre IAPublicado hace 7 meses Círculo de intercambio de inteligencia artificial 2.2K 00
Introducción general
TimesFM 2.0 - 500M PyTorch es un modelo base de series temporales preentrenado desarrollado por Google Research y diseñado para la predicción de series temporales. El modelo es capaz de manejar longitudes de contexto de hasta 2048 puntos en el tiempo y admite rangos de predicción arbitrarios.TimesFM 2.0 obtiene buenos resultados en varias pruebas de referencia destacadas, con una mejora de rendimiento de 25% respecto a su predecesor.El modelo también proporciona 10 cabeceras cuantílicas experimentales, aunque éstas no se han calibrado tras el preentrenamiento. Los usuarios pueden descargar y utilizar el modelo para la previsión de series temporales a través de la plataforma Hugging Face.
Este modelo puede utilizarse en escenarios como la predicción de ventas minoristas, movimientos bursátiles, tráfico de sitios web, etc. TimesFM 2.0 ocupa el primer puesto en la lista de clasificación de GIFT-Eval y admite el ajuste fino con sus propios datos. Realiza previsiones de series temporales univariantes para hasta 2048 puntos en el tiempo, así como cualquier longitud de intervalo de previsión, con un indicador de frecuencia opcional.

Lista de funciones
- previsión de series temporales: Admite longitudes de contexto de hasta 2048 puntos temporales y rangos de predicción arbitrarios.
- previsión cuantílicaSe proporcionan 10 cabezas de cuartil experimentales.
- Ajuste de modelosSoporte para el ajuste fino del modelo en datos propiedad del usuario.
- Soporte de covariable de muestra cero: Apoyo a la predicción de muestra cero utilizando variables de regresión externas.
- Alto rendimiento: Supera en múltiples benchmarks con un aumento de rendimiento de 25%.
Utilizar la ayuda
Proceso de instalación
- Instalación de dependencias::
- utilizar
pyenv
responder cantandopoetry
Realiza una instalación local. - Asegúrese de que la versión de Python es 3.10.x (para versiones JAX) o >=3.11.x (para versiones PyTorch).
- Ejecute el siguiente comando para instalar las dependencias:
pyenv install 3.11.x pyenv virtualenv 3.11.x timesfm-env pyenv activate timesfm-env poetry install
- utilizar
- Descargar modelos::
- Visite la plataforma Hugging Face para descargar TimesFM 2.0 - 500M PyTorch model checkpoints.
- Utilice el siguiente comando para descargar el modelo:
bash
git clone https://huggingface.co/google/timesfm-2.0-500m-pytorch
cd timesfm-2.0-500m-pytorch
Proceso de utilización
- Modelos de carga::
- Carga el modelo en el entorno Python:
from transformers import TimesFMForTimeSeriesForecasting model = TimesFMForTimeSeriesForecasting.from_pretrained("google/timesfm-2.0-500m-pytorch")
- realizar previsiones::
- Preparar datos de entrada y hacer predicciones:
import torch input_data = torch.tensor([...]) # 替换为实际的时间序列数据 predictions = model(input_data)
- Ajuste del modelo::
- Ajuste del modelo con datos propios:
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()
- Utilización de variables de regresión externas::
- Apoyo a la predicción de covariables de muestra cero:
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)
- Apoyo a la predicción de covariables de muestra cero:
© declaración de copyright
文章版权归 Círculo de intercambio de inteligencia artificial 所有,未经允许请勿转载。
Artículos relacionados
Sin comentarios...