TimesFM 2.0: Google abre un modelo preformado de previsión de series temporales

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.

TimesFM 2.0:谷歌开源进行时间序列预测的预训练模型

 

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

  1. Instalación de dependencias::
    • utilizar pyenv responder cantando poetry 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
    
  2. 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

  1. Modelos de carga::
    • Carga el modelo en el entorno Python:
     from transformers import TimesFMForTimeSeriesForecasting
    model = TimesFMForTimeSeriesForecasting.from_pretrained("google/timesfm-2.0-500m-pytorch")
    
  2. 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)
    
  3. 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()
    
  4. 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)
© declaración de copyright

Artículos relacionados

Sin comentarios

Debe iniciar sesión para participar en los comentarios.
Acceder ahora
ninguno
Sin comentarios...