Beschreibung
Timestral-209M ist Teil der Timestral-Familie von Zeitreihen-Grundlagenmodellen, die speziell für Zero-Shot-Prognosen entwickelt wurden. Dieses Modell ist in einer Version mit 209 Millionen Parametern verfügbar und unterstützt sowohl univariate als auch multivariate Prognosen. Es ist in der Lage, nur vergangenheitsbasierte und bekannte zukünftige Kovariaten zu verarbeiten und bietet probabilistische Vorhersagen über 21 Quantile.
Weiterlesen
Die Modellarchitektur basiert auf einem patch-basierten Transformer mit Zeit- und Variatenaufmerksamkeit und besteht aus 24 Schichten mit einer Einbettungsdimension von 768. Jeder Patch enthält 32 Zeitstempel, und die Kontextlänge kann bis zu 32.768 Zeitstempel betragen. Timestral-209M kann bis zu 1.024 Schritte in einem einzigen Vorwärtsdurchlauf vorhersagen, wobei längere Horizonte blockweise prognostiziert werden.
Timestral-209M hat eine erstklassige Zero-Shot-Genauigkeit in wichtigen Prognosebenchmarks wie GIFT-Eval, TIME und fev-bench gezeigt. Es übertrifft andere Modelle in Metriken wie MASE und CRPS und demonstriert seine Effizienz und Zuverlässigkeit in der Zeitreihenprognose.
Das Modell ist Open Source, mit seinem Code auf GitHub verfügbar, was es den Nutzern ermöglicht, Timestral-209M auszuführen und Benchmark-Ergebnisse zu reproduzieren. Es läuft auf PyTorch und kann sowohl auf CPU als auch auf GPU verwendet werden, was Flexibilität für verschiedene Rechenumgebungen bietet. Das Modell wird unter einer modifizierten MIT-Lizenz veröffentlicht, die Zugänglichkeit gewährleistet und gleichzeitig die Rechte an geistigem Eigentum respektiert.
- KategorieForecasting & Predictive Analytics
- PreismodellOpen Source
- BereitstellungCloud
- PlattformenWeb
Timestral-209M im Überblick
Zero-Shot-Prognosen
Unterstützung für univariate und multivariate Prognosen
Probabilistische Vorhersagen über 21 Quantile
Patch-basierte Transformer-Architektur
24 Schichten mit einer Einbettungsdimension von 768
Kontextlänge bis zu 32.768 Zeitstempel
Prognosehorizont bis zu 1.024 Schritten
Open Source mit GitHub-Repository
Erste Schritte mit Timestral-209M
Modell zugreifen: Besuchen Sie Hugging Face
Authentifizieren: Konto einrichten
Umgebung einrichten: PyTorch konfigurieren
Über API integrieren: Modell in Anwendungen verwenden
Optimieren: Parameter für spezifische Bedürfnisse anpassen
Timestral-209M's Anwendungsfälle
- Finanzprognosen
- Lieferkettenmanagement
- Wettervorhersage
- Energieverbrauch
- Gesundheitsanalytik
