Descripción
Timestral-209M es parte de la familia Timestral de modelos de base de series temporales, diseñado específicamente para pronósticos de cero disparos. Este modelo está disponible en una versión de 209 millones de parámetros y soporta tanto pronósticos univariantes como multivariantes. Es capaz de manejar covariables solo del pasado y del futuro conocido, y proporciona predicciones probabilísticas a través de 21 cuantiles.
Leer más
La arquitectura del modelo se basa en un transformador basado en parches con atención temporal y atención de variables, que consta de 24 capas con una dimensión de incrustación de 768. Cada parche contiene 32 pasos de tiempo, y la longitud del contexto puede extenderse hasta 32,768 pasos de tiempo. Timestral-209M puede pronosticar hasta 1,024 pasos en una sola pasada hacia adelante, con horizontes más largos pronosticados bloque por bloque.
Timestral-209M ha demostrado una precisión de cero disparos de vanguardia en los principales puntos de referencia de pronóstico como GIFT-Eval, TIME y fev-bench. Supera a otros modelos en métricas como MASE y CRPS, mostrando su eficiencia y fiabilidad en el pronóstico de series temporales.
El modelo es de código abierto, con su código disponible en GitHub, lo que permite a los usuarios ejecutar Timestral-209M y reproducir resultados de referencia. Funciona en PyTorch y puede ser utilizado tanto en CPU como en GPU, proporcionando flexibilidad para diversos entornos computacionales. El modelo se publica bajo una licencia MIT modificada, asegurando accesibilidad mientras se respetan los derechos de propiedad intelectual.
- CategoríaPronóstico y análisis predictivo
- Modelo de preciosCódigo abierto
- ImplementaciónNube
- PlataformasWeb
Aspectos destacados de Timestral-209M
Pronósticos de cero disparos
Soporte univariante y multivariante
Predicciones probabilísticas a través de 21 cuantiles
Arquitectura de transformador basada en parches
24 capas con dimensión de incrustación de 768
Longitud de contexto de hasta 32,768 pasos de tiempo
Horizonte de pronóstico de hasta 1,024 pasos
Código abierto con repositorio en GitHub
Primeros pasos con Timestral-209M
Acceder al modelo: Visitar Hugging Face
Autenticarse: Configurar cuenta
Configurar entorno: Configurar PyTorch
Integrar a través de API: Usar el modelo en aplicaciones
Optimizar: Ajustar parámetros para necesidades específicas
Casos de uso de Timestral-209M
- Pronóstico Financiero
- Gestión de la Cadena de Suministro
- Predicción del Tiempo
- Consumo de Energía
- Análisis de Salud
