TimesFM 2.0：谷歌开源进行时间序列预测的预训练模型

综合介绍

TimesFM 2.0 - 500M PyTorch 是由 Google Research 开发的预训练时间序列基础模型，专为时间序列预测而设计。该模型能够处理长达 2048 个时间点的上下文长度，并支持任意的预测范围。TimesFM 2.0 在多个领先基准测试中表现优异，性能比其前代版本提升了 25%。该模型还提供了 10 个实验性的分位数头，尽管这些头在预训练后尚未校准。用户可以通过 Hugging Face 平台下载并使用该模型进行时间序列预测。

这种模型可以用于预测零售业销量、股票走势、网站流量等场景。TimesFM 2.0在GIFT-Eval评分榜上排第一，且支持用自己的数据做微调。它执行至多 2048 个时间点的单变量时间序列预测，以及任何预测范围长度，并带有可选的频率指示器。

功能列表

• 时间序列预测：支持长达 2048 个时间点的上下文长度和任意预测范围。
• 分位数预测：提供 10 个实验性的分位数头。
• 模型微调：支持在用户自有数据上进行模型微调。
• 零样本协变量支持：支持使用外部回归变量进行零样本预测。
• 高效性能：在多个基准测试中表现优异，性能提升 25%。

使用帮助

安装流程

1. 安装依赖：
   • 使用 pyenv 和 poetry 进行本地安装。
   • 确保 Python 版本为 3.10.x（适用于 JAX 版本）或 >=3.11.x（适用于 PyTorch 版本）。
   • 运行以下命令安装依赖：

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

2. 下载模型：
   • 访问 Hugging Face 平台下载 TimesFM 2.0 - 500M PyTorch 模型检查点。
   • 使用以下命令下载模型： bash
git clone https://huggingface.co/google/timesfm-2.0-500m-pytorch
cd timesfm-2.0-500m-pytorch


使用流程

1. 加载模型：
   • 在 Python 环境中加载模型：

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

2. 进行预测：
   • 准备输入数据并进行预测：

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

3. 微调模型：
   • 使用自有数据进行模型微调：

    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. 使用外部回归变量：
   • 支持零样本协变量预测： 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)