Aller au contenu principal
ToolPotion
Conseiller IA
Soumettre

Chronos-2 — Modèle de Prévision de Séries Temporelles

En vedette

Chronos-2 est un modèle de base de séries temporelles à 120 millions de paramètres, conçu pour la prévision sans apprentissage préalable. Il prend en charge diverses tâches de prévision et est efficace, fournissant plus de 300 prévisions par seconde sur un seul GPU A10G.

Voir le modèle
Partager
Voir le modèle
Partager

Chronos-2 est un modèle de base avancé pour les séries temporelles développé par Amazon et hébergé sur Hugging Face. Avec 120 millions de paramètres, il est spécifiquement conçu pour la prévision sans apprentissage préalable, ce qui en fait un outil puissant tant pour les chercheurs que pour les praticiens dans le domaine de l'intelligence artificielle. Le modèle prend en charge des tâches de prévision univariée, multivariée et informée par des covariables, le tout au sein d'une seule architecture, ce qui simplifie le processus de génération de prévisions précises.

Lire la suite

Inspiré par l'encodeur T5, Chronos-2 utilise un mécanisme d'attention de groupe qui permet un apprentissage efficace dans le contexte de séries temporelles et de covariables connexes. Cette approche innovante permet au modèle de produire des prévisions quantiles à plusieurs étapes, essentielles pour diverses applications dans l'analyse des séries temporelles. Le modèle a été entraîné sur un ensemble diversifié de jeux de données, y compris des données réelles et des données synthétiques à grande échelle, atteignant une précision sans apprentissage préalable de pointe sur des références telles que fev-bench, GIFT-Eval et Chronos Benchmark II.

L'une des caractéristiques remarquables de Chronos-2 est son efficacité. Il peut fournir plus de 300 prévisions de séries temporelles par seconde lorsqu'il est déployé sur un seul GPU A10G, ce qui le rend adapté aux applications à forte demande. Le modèle prend en charge à la fois l'inférence GPU et CPU, offrant une flexibilité pour différents environnements de déploiement. Pour ceux qui souhaitent intégrer Chronos-2 dans leurs flux de travail, il peut être facilement déployé sur Amazon SageMaker en utilisant AutoGluon-Cloud, qui offre une configuration minimale et une API Python de haut niveau. Cela permet aux utilisateurs d'entrer des DataFrames pandas et de recevoir des prévisions avec seulement quelques lignes de code.

En plus de ses capacités de déploiement, Chronos-2 est conçu pour l'expérimentation et l'inférence locale, le rendant accessible aux développeurs et chercheurs qui souhaitent explorer ses fonctionnalités. L'architecture du modèle prend en charge une longueur de contexte maximale de 8192 et une longueur de prédiction maximale de 1024, permettant une analyse complète des données de séries temporelles. Dans l'ensemble, Chronos-2 représente une avancée significative dans le domaine de la prévision de séries temporelles, fournissant aux utilisateurs un outil robuste et efficace pour leurs besoins de prévision.

  • CatégoriePrévision et analyse prédictive
  • DéploiementCloud
  • PlateformesWeb

  • 120M paramètres

  • Prend en charge la prévision univariée et multivariée

  • Mécanisme d'attention de groupe pour un apprentissage efficace

  • Prévisions quantiles à plusieurs étapes

  • Plus de 300 prévisions par seconde sur GPU A10G

  • Prend en charge l'inférence GPU et CPU

  • Longueur de contexte maximale : 8192

  • Longueur de prédiction maximale : 1024

  1. Accédez à la page Hugging Face pour Chronos-2.

  2. Chargez le modèle Chronos-2 en utilisant l'API fournie.

  3. Configurez votre environnement pour l'inférence, en veillant à la compatibilité avec pandas.

  4. Intégrez Chronos-2 dans votre application ou flux de travail d'analyse.

  5. Affinez le modèle si nécessaire en utilisant vos ensembles de données spécifiques.

  • Prévision Financière
  • Gestion de la Chaîne d'Approvisionnement
  • Prédiction de la Consommation Énergétique
  • Prévision des Ventes
  • Prédiction Météorologique

Outils IA populaires comme Chronos-2

GluonTS

Frameworks IA

GluonTS est un package Python pour la modélisation probabiliste de séries temporelles, exploitant des modèles d'apprentissage profond basés sur PyTorch et MXNet. Il facilite des…

Modèles d'IA et LLM
Voir l'outil

Frameworks IA

Package Python pour la modélisation probabiliste de séries temporelles, exploitant des modèles d'apprentissage profond basés sur PyTorch et MXNet. Il facilite des…GluonTS est un package Python pour la modélisation probabiliste de séries temporelles, exploitant des modèles d'apprentissage profond basés sur PyTorch et MXNet. Il facilite des…

Modèles d'IA et LLM
Voir le Top 50 Frameworks IA

TimesNet

Modèles IA

TimesNet est un modèle fondamental pour l'analyse générale des séries temporelles, transformant les séries 1D en espace 2D pour une modélisation améliorée. Il obtient des…

Modèles d'IA et LLM
Voir l'outil

Modèles IA

Modèle fondamental pour l'analyse générale des séries temporelles, transformant les séries 1D en espace 2D pour une modélisation améliorée. Il obtient des…TimesNet est un modèle fondamental pour l'analyse générale des séries temporelles, transformant les séries 1D en espace 2D pour une modélisation améliorée. Il obtient des…

Modèles d'IA et LLM
Voir le Top 5 Modèles IA

Prophet

Frameworks IA

Prophet est une procédure de prévision open-source développée par Facebook. Elle est conçue pour les données de séries temporelles avec de forts effets saisonniers et de multiples…

Prévision et analyse prédictive
Voir l'outil

Frameworks IA

Procédure de prévision open-source développée par Facebook. Elle est conçue pour les données de séries temporelles avec de forts effets saisonniers et de multiples…Prophet est une procédure de prévision open-source développée par Facebook. Elle est conçue pour les données de séries temporelles avec de forts effets saisonniers et de multiples…

Prévision et analyse prédictive
Voir le Top 50 Frameworks IA

LSTNet

Dépôts GitHub d'IA

LSTNet est un modèle d'apprentissage profond conçu pour la prévision de séries temporelles. Il modélise efficacement les tendances temporelles à long et court terme en combinant…

Modèles d'IA et LLM
Voir l'outil

Dépôts GitHub d'IA

Modèle d'apprentissage profond conçu pour la prévision de séries temporelles. Il modélise efficacement les tendances temporelles à long et court terme en combinant…LSTNet est un modèle d'apprentissage profond conçu pour la prévision de séries temporelles. Il modélise efficacement les tendances temporelles à long et court terme en combinant…

Modèles d'IA et LLM
Voir le Top 250 Dépôts GitHub d'IA

LTSF-Linear

Dépôts GitHub d'IA

LTSF-Linear est une implémentation PyTorch officielle pour "Are Transformers Effective for Time Series Forecasting?". Elle introduit une famille de modèles linéaires (Linear,…

Modèles d'IA et LLM
Voir l'outil

Dépôts GitHub d'IA

Implémentation PyTorch officielle pour "Are Transformers Effective for Time Series Forecasting?". Elle introduit une famille de modèles linéaires (Linear,…LTSF-Linear est une implémentation PyTorch officielle pour "Are Transformers Effective for Time Series Forecasting?". Elle introduit une famille de modèles linéaires (Linear,…

Modèles d'IA et LLM
Voir le Top 250 Dépôts GitHub d'IA

PredictHQ

Applications IA

PredictHQ est une plateforme de contexte réel qui améliore l'IA et les prévisions en intégrant des données d'événements mondiaux. Elle aide les entreprises à améliorer la…

Prévision et analyse prédictiveCommerce de détail et biens de consommation

N°47 en Voyage et hôtellerie

Voir l'outil

Applications IA

Plateforme de contexte réel qui améliore l'IA et les prévisions en intégrant des données d'événements mondiaux. Elle aide les entreprises à améliorer la…PredictHQ est une plateforme de contexte réel qui améliore l'IA et les prévisions en intégrant des données d'événements mondiaux. Elle aide les entreprises à améliorer la…

Prévision et analyse prédictiveCommerce de détail et biens de consommation
N°47 en Voyage et hôtellerie

Informer2020

Dépôts GitHub d'IA

Le dépôt GitHub Informer2020 fournit l'implémentation PyTorch pour le modèle Informer, conçu pour la prévision efficace de séries temporelles à longue séquence. Il intègre…

Modèles d'IA et LLM
Voir l'outil

Dépôts GitHub d'IA

Le dépôt GitHub Informer2020 fournit l'implémentation PyTorch pour le modèle Informer, conçu pour la prévision efficace de séries temporelles à longue séquence. Il intègre…

Modèles d'IA et LLM
Voir le Top 250 Dépôts GitHub d'IA

Propose des solutions de prévisions de séries temporelles et de détection d'anomalies de niveau entreprise. En utilisant une technologie d'IA avancée, elle fournit des…Nixtla propose des solutions de prévisions de séries temporelles et de détection d'anomalies de niveau entreprise. En utilisant une technologie d'IA avancée, elle fournit des…

Prévision et analyse prédictiveCommerce de détail et biens de consommation
N°7 en Énergie et services publics
1 sur 8