TimesFM 2.0: Google выкладывает в открытый доступ предварительно обученную модель для прогнозирования временных рядов

Общее введение

TimesFM 2.0 - 500M PyTorch - это предварительно обученная базовая модель временных рядов, разработанная Google Research и предназначенная для прогнозирования временных рядов. Модель способна работать с контекстом длиной до 2048 точек во времени и поддерживает произвольные диапазоны прогнозирования.TimesFM 2.0 демонстрирует хорошие результаты в нескольких ведущих бенчмарках, с улучшением производительности на 25% по сравнению с предшественником.Модель также предоставляет 10 экспериментальных квантильных заголовков, хотя они не были откалиброваны после предварительного обучения. Пользователи могут загрузить и использовать модель для прогнозирования временных рядов с помощью платформы Hugging Face.

Эта модель может использоваться в таких сценариях, как прогнозирование розничных продаж, движения акций, посещаемости веб-сайтов и т. д. TimesFM 2.0 занимает первое место в списке рейтинга GIFT-Eval и поддерживает тонкую настройку с использованием собственных данных. Он выполняет прогнозирование одномерных временных рядов для 2048 точек во времени, а также для любой длины диапазона прогнозирования с дополнительным индикатором частоты.

Список функций

• прогноз временных рядов: Поддерживает длину контекста до 2048 временных точек и произвольные диапазоны предсказаний.
• квантильный прогноз10 экспериментальных квартилей.
• Тонкая настройка моделирования: Поддержка тонкой настройки модели на данных, принадлежащих пользователю.
• Поддержка ковариаций в нулевой выборке: Поддержка предсказания с нулевой выборкой с использованием внешних переменных регрессии.
• Высокая производительность: Превосходство во многих бенчмарках с приростом производительности 25%.

Использование помощи

Процесс установки

1. Установка зависимостей::
   • пользоваться pyenv ответить пением poetry Выполните локальную установку.
   • Убедитесь, что версия Python равна 3.10.x (для версий с JAX) или >=3.11.x (для версий с PyTorch).
   • Выполните следующую команду для установки зависимостей:

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

2. Скачать модели::
   • Посетите платформу Hugging Face, чтобы загрузить TimesFM 2.0 - 500M контрольных точек модели PyTorch.
   • Чтобы загрузить модель, выполните следующую команду: bash
git clone https://huggingface.co/google/timesfm-2.0-500m-pytorch
cd timesfm-2.0-500m-pytorch


Процесс использования

1. Модели для погрузки::
   • Загрузите модель в среду Python:

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

2. осуществлять прогнозирование::
   • Подготовьте исходные данные и сделайте прогнозы:

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

3. Тонкая настройка модели::
   • Тонкая настройка модели на основе собственных данных:

    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. Использование внешних регрессионных переменных::
   • Поддержка предсказания ковариаций по нулевой выборке: 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)