Deskripsi
Timestral-209M adalah bagian dari keluarga model dasar deret waktu Timestral, yang dirancang khusus untuk peramalan zero-shot. Model ini tersedia dalam versi 209M parameter dan mendukung peramalan univariat dan multivariat. Model ini mampu menangani variabel covariat yang hanya berdasarkan masa lalu dan yang diketahui di masa depan, serta memberikan prediksi probabilistik di seluruh 21 kuantil.
Baca Selengkapnya
Arsitektur model ini didasarkan pada transformer berbasis patch dengan perhatian waktu dan perhatian variate, terdiri dari 24 lapisan dengan dimensi embedding 768. Setiap patch berisi 32 langkah waktu, dan panjang konteks dapat diperpanjang hingga 32.768 langkah waktu. Timestral-209M dapat meramalkan hingga 1.024 langkah dalam satu kali proses maju, dengan horizon yang lebih panjang diramalkan secara blok demi blok.
Timestral-209M telah menunjukkan akurasi zero-shot yang terbaik di seluruh benchmark peramalan utama seperti GIFT-Eval, TIME, dan fev-bench. Model ini mengungguli model lain dalam metrik seperti MASE dan CRPS, menunjukkan efisiensi dan keandalannya dalam peramalan deret waktu.
Model ini bersifat open-source, dengan kodenya tersedia di GitHub, memungkinkan pengguna untuk menjalankan Timestral-209M dan mereproduksi hasil benchmark. Model ini beroperasi di PyTorch dan dapat digunakan di CPU maupun GPU, memberikan fleksibilitas untuk berbagai lingkungan komputasi. Model ini dirilis di bawah lisensi MIT yang Dimodifikasi, memastikan aksesibilitas sambil menghormati hak kekayaan intelektual.
- KategoriPeramalan & Analitik Prediktif
- Model HargaOpen source
- PenerapanCloud
- PlatformWeb
Sorotan Timestral-209M
Peramalan zero-shot
Dukungan univariat dan multivariat
Prediksi probabilistik di seluruh 21 kuantil
Arsitektur transformer berbasis patch
24 lapisan dengan dimensi embedding 768
Panjang konteks hingga 32.768 langkah waktu
Horizon peramalan hingga 1.024 langkah
Open-source dengan repositori GitHub
Memulai dengan Timestral-209M
Akses model: Kunjungi Hugging Face
Autentikasi: Siapkan akun
Siapkan lingkungan: Konfigurasi PyTorch
Integrasi melalui API: Gunakan model dalam aplikasi
Optimalkan: Sesuaikan parameter untuk kebutuhan spesifik
Kasus Penggunaan Timestral-209M
- Peramalan Keuangan
- Manajemen Rantai Pasokan
- Prediksi Cuaca
- Konsumsi Energi
- Analitik Kesehatan
