TimesFM 2.0: modelo pré-treinado de código aberto do Google para previsão de séries temporais

Introdução geral

O TimesFM 2.0 - 500M PyTorch é um modelo básico de série temporal pré-treinado desenvolvido pela Google Research e projetado para previsão de séries temporais. O modelo é capaz de lidar com comprimentos de contexto de até 2048 pontos no tempo e suporta intervalos de previsão arbitrários. O TimesFM 2.0 tem bom desempenho em vários benchmarks importantes, com uma melhoria de desempenho de 25% em relação ao seu antecessor. O modelo também fornece 10 cabeçalhos de quantis experimentais, embora eles não tenham sido calibrados após o pré-treinamento. Os usuários podem baixar e usar o modelo para previsão de séries temporais por meio da plataforma Hugging Face.

Esse modelo pode ser usado em cenários como a previsão de vendas no varejo, movimentos de ações, tráfego de sites etc. O TimesFM 2.0 está classificado em primeiro lugar na lista de classificação do GIFT-Eval e suporta o ajuste fino com seus próprios dados. Ele executa previsões de séries temporais univariadas para até 2.048 pontos no tempo, bem como para qualquer comprimento de intervalo de previsão, com um indicador de frequência opcional.

Lista de funções

• previsão de séries temporaisSuporte a comprimentos de contexto de até 2048 pontos de tempo e intervalos de previsão arbitrários.
• previsão de quantis: 10 cabeças de quartil experimentais são fornecidas.
• Modelagem do ajuste finoSuporte para ajuste fino do modelo em dados de propriedade do usuário.
• Suporte a covariável de amostra zeroSuporte para previsão de amostra zero usando variáveis de regressão externas.
• Alto desempenhoDesempenho superior em vários benchmarks com um aumento de desempenho de 25%.

Usando a Ajuda

Processo de instalação

1. Instalação de dependências::
   • fazer uso de pyenv responder cantando poesia Executar uma instalação local.
   • Certifique-se de que a versão do Python seja 3.10.x (para versões JAX) ou >=3.11.x (para versões PyTorch).
   • Execute o seguinte comando para instalar as dependências:

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

2. Modelos para download::
   • Visite a plataforma Hugging Face para fazer o download do TimesFM 2.0 - 500M PyTorch model checkpoints.
   • Use o seguinte comando para fazer o download do modelo: bash
git clone https://huggingface.co/google/timesfm-2.0-500m-pytorch
cd timesfm-2.0-500m-pytorch


Processo de uso

1. Modelos de carregamento::
   • Carregue o modelo no ambiente Python:

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

2. realizar previsões::
   • Preparar dados de entrada e fazer previsões:

    importar torch
   input_data = torch.tensor([...])  # Substituir por dados reais de séries temporais
   previsões = model(input_data)
   

3. Ajuste fino do modelo::
   • Ajuste fino do modelo usando dados próprios:

    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. Uso de variáveis de regressão externas::
   • Suporte para previsão de covariável de amostra zero: python
external_regressors = torch.tensor([...]) # Substitua os dados pelas variáveis regressoras externas reais
predictions = model(input_data, external_regressors=external_regressors)