Description
TimesFM 3.0 est un modèle de base sophistiqué pour séries temporelles développé par Google Research, visant à améliorer la précision et l'efficacité de la prévision des séries temporelles. Ce modèle fait partie de l'initiative de Google pour faire progresser l'intelligence artificielle à travers l'open source et la science ouverte. TimesFM 3.0 est construit sur une architecture de Transformateur à Mélange Empilé avec Attention Variée et RevIN Itératif CPM, comportant 20 couches de transformateurs avec une dimension de modèle de 1280 et 16 têtes. Le modèle est préentraîné à l'aide d'un ensemble de données diversifié, incluant GiftEvalPretrain, les pages vues de Wikipedia et les requêtes les plus populaires de Google Trends, garantissant une compréhension complète des données de séries temporelles.
Lire la suite
Le modèle est publié sous la licence TimesFM Non-Commercial License v1.0, le rendant accessible pour un usage non commercial. Il est conçu pour traiter des données de séries temporelles complexes avec une longueur de patch de contexte de 32 et une longueur de patch d'horizon de prévision de 64. Les quantiles du modèle sont définis avec la médiane à l'index 4, fournissant un cadre robuste pour les tâches de prévision.
TimesFM 3.0 a gagné une traction significative, avec plus d'un million de téléchargements au cours du dernier mois, indiquant sa popularité et son efficacité dans la communauté de l'IA. Il est intégré dans 19 espaces différents, montrant sa polyvalence et son adaptabilité à diverses applications.
Ce modèle est particulièrement bénéfique pour les chercheurs et les développeurs travaillant dans des domaines nécessitant une prévision précise des séries temporelles, tels que la finance, la prévision météorologique et la gestion de la chaîne d'approvisionnement. En tirant parti de la puissance de TimesFM 3.0, les utilisateurs peuvent obtenir des prédictions et des insights plus précis, conduisant finalement à de meilleurs processus de prise de décision.
- CatégoriePrévision et analyse prédictive
- Modèle tarifaireOpen source
- DéploiementCloud
- PlateformesWeb
Points forts de TimesFM 3.0 (PyTorch)
Modèle de base pour séries temporelles préentraîné
Architecture de Transformateur à Mélange Empilé
Attention Variée et RevIN Itératif CPM
20 couches de transformateurs
Dimension du modèle : 1280
16 têtes
Longueur de patch de contexte : 32
Longueur de patch d'horizon de prévision : 64
Premiers pas avec TimesFM 3.0 (PyTorch)
Accéder au modèle : Visitez Hugging Face
Authentifier : Utilisez vos identifiants
Configurer l'environnement : Configurez PyTorch
Intégrer via API : Utilisez les configurations fournies
Optimiser : Ajustez les paramètres pour des cas d'utilisation spécifiques
Cas d'utilisation de TimesFM 3.0 (PyTorch)
- Prévision Financière
- Prévision Météorologique
- Gestion de la Chaîne d'Approvisionnement
- Consommation Énergétique
- Analyse de la Santé
