Description
Timestral-209M fait partie de la famille Timestral de modèles de fondation pour séries temporelles, spécifiquement conçu pour la prévision zéro-shot. Ce modèle est disponible en version de 209 millions de paramètres et prend en charge à la fois la prévision univariée et multivariée. Il est capable de gérer des covariables uniquement passées et connues pour l'avenir, et fournit des prédictions probabilistes sur 21 quantiles.
Lire la suite
L'architecture du modèle est basée sur un transformateur à patchs avec attention temporelle et attention sur les variétés, composé de 24 couches avec une dimension d'embedding de 768. Chaque patch contient 32 étapes temporelles, et la longueur de contexte peut s'étendre jusqu'à 32 768 étapes temporelles. Timestral-209M peut prévoir jusqu'à 1 024 étapes en un seul passage avant, avec des horizons plus longs prévus bloc par bloc.
Timestral-209M a démontré une précision zéro-shot à la pointe de la technologie sur les principaux benchmarks de prévision tels que GIFT-Eval, TIME et fev-bench. Il surpasse d'autres modèles dans des métriques comme MASE et CRPS, mettant en avant son efficacité et sa fiabilité dans la prévision de séries temporelles.
Le modèle est open-source, avec son code disponible sur GitHub, permettant aux utilisateurs d'exécuter Timestral-209M et de reproduire les résultats de référence. Il fonctionne sur PyTorch et peut être utilisé à la fois sur CPU et GPU, offrant une flexibilité pour divers environnements de calcul. Le modèle est publié sous une licence MIT modifiée, garantissant l'accessibilité tout en respectant les droits de propriété intellectuelle.
- CatégoriePrévision et analyse prédictive
- Modèle tarifaireOpen source
- DéploiementCloud
- PlateformesWeb
Points forts de Timestral-209M
Prévision zéro-shot
Support univarié et multivarié
Prédictions probabilistes sur 21 quantiles
Architecture de transformateur à patchs
24 couches avec dimension d'embedding de 768
Longueur de contexte jusqu'à 32 768 étapes temporelles
Horizon de prévision jusqu'à 1 024 étapes
Open-source avec dépôt GitHub
Premiers pas avec Timestral-209M
Accéder au modèle : Visitez Hugging Face
Authentifier : Créez un compte
Configurer l'environnement : Configurez PyTorch
Intégrer via API : Utilisez le modèle dans des applications
Optimiser : Ajustez les paramètres selon les besoins spécifiques
Cas d'utilisation de Timestral-209M
- Prévision Financière
- Gestion de la Chaîne d'Approvisionnement
- Prévision Météorologique
- Consommation Énergétique
- Analyse de la Santé
