メインコンテンツへスキップ
ToolPotion
AI アドバイザー
送信(無料)

TimeH2O-v1

TimeH2O-v1は、ゼロショット確率予測のために設計された108Mパラメータの時系列基盤モデルです。共変量をサポートし、GIFT-Evalやfev-benchなどのベンチマークで最先端の結果を提供します。このモデルは、将来の時間依存データポイントを高精度で予測する必要があるアプリケーションに最適で、さまざまな予測タスクに対して堅牢なパフォーマンスを提供します。

モデルを見る
共有
モデルを見る
共有

TimeH2O-v1は、H2O.aiによって開発された高度な時系列基盤モデルで、1億800万のパラメータを特徴としています。これは、ゼロショット確率予測のために特別に設計されており、特定のデータセットに対して事前にファインチューニングを行うことなく、未見のデータに対して予測を行うことができます。TimeH2O-v1の重要な機能は、共変量をサポートしていることで、主要な時系列データに加えて、追加の関連変数を組み込むことで予測精度を向上させることができます。

続きを読む

このモデルは、複数のベンチマークで最先端のパフォーマンスを示しています。GIFT-Evalでは、CRPS(連続ランク確率スコア)が0.441、MASE(平均絶対スケール誤差)が0.654を達成し、Timestral-209M、t0-gamma、TimesFM-3、Chronos-2などのモデルを上回りました。同様に、fev-benchでは、TimeH2O-v1はSQLスキルスコア50.83、MASEスキルスコア39.95を記録し、競合他社を再び上回りました。

TimeH2O-v1は、TimeH2Oファミリーの一部であり、最大スループットのために最適化された5.8MパラメータのモデルであるTimeH2O-v1-tinyも含まれています。v1モデルは、予測精度を最大化することが主な目標であるシナリオに最適です。最大16,384の時間ステップのコンテキストを処理でき、無制限の予測ホライズンを提供し、確率的予測のために9つの分位数(0.1から0.9)を出力します。このモデルは、オプションの共変量を持つターゲット系列を入力として受け入れます。

Hugging FaceでのTimeH2O-v1へのアクセスには、ユーザーがHugging Face情報を共有することに同意し、特定の条件を受け入れる必要があります。これは非商業利用のためにライセンスされています。このモデルは、fev-bench、GIFT-Eval、TIMEと重複しないように注意深く除外された多様なデータセットでトレーニングされ、偏りのないベンチマーク結果を確保しています。トレーニングデータのソースには、autogluon/chronos_datasets、Salesforce/GiftEvalPretrain、Salesforce/lotsa_data、hq-bench/quito-corpus、Dingdong-Inc/FreshRetailNet-LT、Azure Functions 2019 trace、Iowa Liquor Sales、BLS Average Pricesが含まれ、それぞれにライセンスがあります。

  • カテゴリーAIモデルとLLM
  • デプロイクラウド
  • プラットフォームHugging Face

  • 堅牢な予測のための108Mパラメータ

  • ゼロショット確率予測機能

  • 予測精度を向上させるための共変量サポート

  • GIFT-Evalおよびfev-benchでの最先端のベンチマーク結果

  • 最大16,384の時間ステップのコンテキストウィンドウ

  • 無制限の予測ホライズン

  • 確率的予測のために9つの分位数(0.1から0.9)を出力

  • 時系列予測における最大精度のために最適化

  • 使用のための非商業ライセンス

  • トレーニングからのベンチマーク重複データの除外

  • TimeH2Oモデルファミリーの一部

  • 条件付きでHugging Faceで公開アクセス可能

  1. モデルにアクセス: Hugging FaceのTimeH2O-v1ページに移動します。

  2. 条件を受け入れる: モデルのファイルとコンテンツにアクセスするための利用規約を確認し、受け入れます。

  3. ログイン/サインアップ: Hugging Faceアカウントにログインするか、アカウントを持っていない場合はサインアップします。

  4. ファイルをダウンロード: モデルファイルと関連リソースをダウンロードします。

  5. 環境を設定: Hugging Faceモデルを使用するために必要な依存関係で開発環境を構成します。

  6. モデルを統合: 時系列予測のためにTimeH2O-v1をアプリケーションやワークフローに統合します。

  7. 入力を提供: モデルにターゲット系列データとオプションの共変量を供給します。

  8. 予測を生成: モデルを利用して9つの分位数を持つゼロショット確率予測を生成します。

  • ゼロショット予測
  • 確率的予測
  • 共変量強化予測
  • 高精度時系列分析
  • 長期予測
  • ベンチマークパフォーマンス評価
  • 研究開発

TimeH2O-v1 のレビュー

読み込み中...

TimeH2O-v1 に似た人気のAIツール

Chronos-2は、ゼロショット予測のために設計された120Mパラメータのエンコーダ専用時系列基盤モデルです。さまざまな予測タスクをサポートし、単一のA10G GPU上で毎秒300以上の予測を提供する効率性を誇ります。

予測と予測分析
ツールを見る

ゼロショット予測のために設計された120Mパラメータのエンコーダ専用時系列基盤モデルです。さまざまな予測タスクをサポートし、単一のA10G GPU上で毎秒300以上の予測を提供する効率性を誇ります。Chronos-2は、ゼロショット予測のために設計された120Mパラメータのエンコーダ専用時系列基盤モデルです。さまざまな予測タスクをサポートし、単一のA10G GPU上で毎秒300以上の予測を提供する効率性を誇ります。

注目予測と予測分析
AI モデル トップ5を見る

Timestral-209M

AI モデル

Timestral-209Mは、ゼロショット予測のために設計された時系列基盤モデルです。単変量および多変量予測、確率的予測をサポートし、最大32,768の過去の時間ステップを処理できます。このモデルはオープンソースであり、ユーザーがベンチマーク結果を簡単に再現できるようになっています。

予測と予測分析
ツールを見る

AI モデル

ゼロショット予測のために設計された時系列基盤モデルです。単変量および多変量予測、確率的予測をサポートし、最大32,768の過去の時間ステップを処理できます。このモデルはオープンソースであり、ユーザーがベンチマーク結果を簡単に再現できるようになっています。Timestral-209Mは、ゼロショット予測のために設計された時系列基盤モデルです。単変量および多変量予測、確率的予測をサポートし、最大32,768の過去の時間ステップを処理できます。このモデルはオープンソースであり、ユーザーがベンチマーク結果を簡単に再現できるようになっています。

予測と予測分析
AI モデル トップ5を見る

TimesNet

AI モデル

TimesNetは、1D時系列データを2D空間に変換してモデリングを強化する、汎用時系列分析のための基盤モデルです。予測、補間、異常検知、分類において最先端の結果を達成し、多様な時間パターンにわたる堅牢な表現学習のためにビジョンバックボーンを活用しています。

AIモデルとLLM
ツールを見る

AI モデル

1D時系列データを2D空間に変換してモデリングを強化する、汎用時系列分析のための基盤モデルです。予測、補間、異常検知、分類において最先端の結果を達成し、多様な時間パターンにわたる堅牢な表現学習のためにビジョンバックボーンを活用しています。TimesNetは、1D時系列データを2D空間に変換してモデリングを強化する、汎用時系列分析のための基盤モデルです。予測、補間、異常検知、分類において最先端の結果を達成し、多様な時間パターンにわたる堅牢な表現学習のためにビジョンバックボーンを活用しています。

AIモデルとLLM
AI モデル トップ5を見る

TimesFM 3.0は、Google Researchによって開発された事前学習済みの時系列基盤モデルです。時系列予測のために設計されており、PyTorchの重みと設定が利用可能です。

予測と予測分析
ツールを見る

Google Researchによって開発された事前学習済みの時系列基盤モデルです。時系列予測のために設計されており、PyTorchの重みと設定が利用可能です。TimesFM 3.0は、Google Researchによって開発された事前学習済みの時系列基盤モデルです。時系列予測のために設計されており、PyTorchの重みと設定が利用可能です。

予測と予測分析
AI モデル トップ5を見る

PatchTST

AI モデル

PatchTSTは、Transformerベースのモデルの公式実装であり、長期時系列予測に特化しています。時系列データをパッチに分割し、それらを独立して処理することで、効率的かつ効果的な予測を実現します。本プロジェクトは、教師あり学習と自己教師あり学習の両方のアプローチに対応したコードを提供し、堅牢な予測能力を可能にします。

AIモデルとLLM
ツールを見る

AI モデル

Transformerベースのモデルの公式実装であり、長期時系列予測に特化しています。時系列データをパッチに分割し、それらを独立して処理することで、効率的かつ効果的な予測を実現します。本プロジェクトは、教師あり学習と自己教師あり学習の両方のアプローチに対応したコードを提供し、堅牢な予測能力を可能にします。PatchTSTは、Transformerベースのモデルの公式実装であり、長期時系列予測に特化しています。時系列データをパッチに分割し、それらを独立して処理することで、効率的かつ効果的な予測を実現します。本プロジェクトは、教師あり学習と自己教師あり学習の両方のアプローチに対応したコードを提供し、堅牢な予測能力を可能にします。

AIモデルとLLM
AI モデル トップ5を見る

Timestral

AI GitHub リポジトリ

Timestralは、Mistral AIによって開発された時系列基盤モデルです。複雑な時系列データを扱うように設計されており、堅牢な分析と洞察を提供します。予測分析や予測に取り組む開発者やデータサイエンティストに最適です。

AIモデルとLLM
ツールを見る

AI GitHub リポジトリ

Mistral AIによって開発された時系列基盤モデルです。複雑な時系列データを扱うように設計されており、堅牢な分析と洞察を提供します。予測分析や予測に取り組む開発者やデータサイエンティストに最適です。Timestralは、Mistral AIによって開発された時系列基盤モデルです。複雑な時系列データを扱うように設計されており、堅牢な分析と洞察を提供します。予測分析や予測に取り組む開発者やデータサイエンティストに最適です。

AIモデルとLLM
AI GitHub リポジトリ トップ250を見る

GluonTS

AI フレームワーク

GluonTSは、PyTorchおよびMXNet上に構築されたディープラーニングモデルを活用する、確率的時系列モデリングのためのPythonパッケージです。予測を確率分布の形式で生成し、予測区間を含めることで、複雑な時系列分析に適した正確な予測を可能にします。

AIモデルとLLM
ツールを見る

AI フレームワーク

PyTorchおよびMXNet上に構築されたディープラーニングモデルを活用する、確率的時系列モデリングのためのPythonパッケージです。予測を確率分布の形式で生成し、予測区間を含めることで、複雑な時系列分析に適した正確な予測を可能にします。GluonTSは、PyTorchおよびMXNet上に構築されたディープラーニングモデルを活用する、確率的時系列モデリングのためのPythonパッケージです。予測を確率分布の形式で生成し、予測区間を含めることで、複雑な時系列分析に適した正確な予測を可能にします。

AIモデルとLLM
AI フレームワーク トップ50を見る

Chronos

AI GitHub リポジトリ

Chronosは、時系列予測のための事前学習モデルを提供するGitHubリポジトリです。Amazon Scienceによって開発され、さまざまな分野での正確な予測を実現し、意思決定プロセスを向上させるツールを提供します。

予測と予測分析
ツールを見る

AI GitHub リポジトリ

時系列予測のための事前学習モデルを提供するGitHubリポジトリです。Amazon Scienceによって開発され、さまざまな分野での正確な予測を実現し、意思決定プロセスを向上させるツールを提供します。Chronosは、時系列予測のための事前学習モデルを提供するGitHubリポジトリです。Amazon Scienceによって開発され、さまざまな分野での正確な予測を実現し、意思決定プロセスを向上させるツールを提供します。

予測と予測分析
AI GitHub リポジトリ トップ250を見る
1 / 8