Beschreibung
TimesFM 3.0 ist ein anspruchsvolles Zeitreihen-Grundmodell, das von Google Research entwickelt wurde, um die Genauigkeit und Effizienz der Zeitreihenvorhersage zu verbessern. Dieses Modell ist Teil von Googles Initiative zur Förderung der künstlichen Intelligenz durch Open Source und offene Wissenschaft. TimesFM 3.0 basiert auf einer Stacked Mixing Transformer-Architektur mit Variate Attention und CPM Iterative RevIN und verfügt über 20 Transformer-Schichten mit einer Modellgröße von 1280 und 16 Köpfen. Das Modell wurde mit einem vielfältigen Datensatz vortrainiert, der GiftEvalPretrain, Wikipedia-Seitenaufrufe und die Top-Abfragen von Google Trends umfasst, um ein umfassendes Verständnis von Zeitreihendaten zu gewährleisten.
Weiterlesen
Das Modell wird unter der TimesFM Non-Commercial License v1.0 veröffentlicht, was es für die nicht-kommerzielle Nutzung zugänglich macht. Es ist darauf ausgelegt, komplexe Zeitreihendaten mit einer Kontext-Patch-Länge von 32 und einer Vorhersage-Horizont-Patch-Länge von 64 zu verarbeiten. Die Quantile des Modells sind so eingestellt, dass der Median an Index 4 liegt, was einen robusten Rahmen für Vorhersageaufgaben bietet.
TimesFM 3.0 hat erheblich an Beliebtheit gewonnen, mit über einer Million Downloads allein im letzten Monat, was auf seine Popularität und Effektivität in der KI-Community hinweist. Es ist in 19 verschiedenen Bereichen integriert, was seine Vielseitigkeit und Anpassungsfähigkeit in verschiedenen Anwendungen zeigt.
Dieses Modell ist besonders vorteilhaft für Forscher und Entwickler, die in Bereichen arbeiten, die präzise Zeitreihenvorhersagen erfordern, wie z.B. Finanzen, Wettervorhersage und Lieferkettenmanagement. Durch die Nutzung der Leistungsfähigkeit von TimesFM 3.0 können Benutzer genauere Vorhersagen und Einblicke erzielen, was letztendlich bessere Entscheidungsprozesse fördert.
- KategorieForecasting & Predictive Analytics
- PreismodellOpen Source
- BereitstellungCloud
- PlattformenWeb
TimesFM 3.0 (PyTorch) im Überblick
Vortrainiertes Zeitreihen-Grundmodell
Stacked Mixing Transformer-Architektur
Variate Attention und CPM Iterative RevIN
20 Transformer-Schichten
Modellgröße: 1280
16 Köpfe
Kontext-Patch-Länge: 32
Vorhersage-Horizont-Patch-Länge: 64
Erste Schritte mit TimesFM 3.0 (PyTorch)
Modellzugriff: Besuchen Sie Hugging Face
Authentifizierung: Verwenden Sie Ihre Anmeldedaten
Umgebung einrichten: Konfigurieren Sie PyTorch
Integration über API: Verwenden Sie die bereitgestellten Konfigurationen
Optimierung: Passen Sie Parameter für spezifische Anwendungsfälle an
TimesFM 3.0 (PyTorch)'s Anwendungsfälle
- Finanzielle Vorhersage
- Wettervorhersage
- Lieferkettenmanagement
- Energieverbrauch
- Gesundheitsanalytik
