Descripción
TimesFM 3.0 es un sofisticado modelo de base de series temporales desarrollado por Google Research, con el objetivo de mejorar la precisión y eficiencia de la predicción de series temporales. Este modelo es parte de la iniciativa de Google para avanzar en la inteligencia artificial a través de la ciencia abierta y el código abierto. TimesFM 3.0 se basa en una arquitectura de Transformer de Mezcla Apilada con Atención Variada y RevIN Iterativo CPM, con 20 capas de transformer, una dimensión del modelo de 1280 y 16 cabezas. El modelo se preentrena utilizando un conjunto de datos diverso, que incluye GiftEvalPretrain, Wikipedia Pageviews y las principales consultas de Google Trends, asegurando una comprensión integral de los datos de series temporales.
Leer más
El modelo se lanza bajo la Licencia No Comercial de TimesFM v1.0, lo que lo hace accesible para su uso no comercial. Está diseñado para manejar datos de series temporales complejos con una longitud de parche de contexto de 32 y una longitud de parche de horizonte de predicción de 64. Los cuantiles del modelo se establecen con la mediana en el índice 4, proporcionando un marco robusto para las tareas de predicción.
TimesFM 3.0 ha ganado una tracción significativa, con más de un millón de descargas solo en el último mes, lo que indica su popularidad y efectividad en la comunidad de IA. Está integrado en 19 espacios diferentes, mostrando su versatilidad y adaptabilidad en diversas aplicaciones.
Este modelo es particularmente beneficioso para investigadores y desarrolladores que trabajan en campos que requieren predicciones precisas de series temporales, como finanzas, predicción del clima y gestión de la cadena de suministro. Al aprovechar el poder de TimesFM 3.0, los usuarios pueden lograr predicciones e insights más precisos, impulsando en última instancia mejores procesos de toma de decisiones.
- CategoríaPronóstico y análisis predictivo
- Modelo de preciosCódigo abierto
- ImplementaciónNube
- PlataformasWeb
Aspectos destacados de TimesFM 3.0 (PyTorch)
Modelo de base de series temporales preentrenado
Arquitectura de Transformer de Mezcla Apilada
Atención Variada y RevIN Iterativo CPM
20 capas de transformer
Dimensión del modelo: 1280
16 cabezas
Longitud de parche de contexto: 32
Longitud de parche de horizonte de predicción: 64
Primeros pasos con TimesFM 3.0 (PyTorch)
Acceder al modelo: Visita Hugging Face
Autenticarse: Usa tus credenciales
Configurar el entorno: Configura PyTorch
Integrar a través de API: Usa las configuraciones proporcionadas
Optimizar: Ajusta los parámetros para casos de uso específicos
Casos de uso de TimesFM 3.0 (PyTorch)
- Predicción Financiera
- Predicción del Clima
- Gestión de la Cadena de Suministro
- Consumo de Energía
- Análisis de Salud
