Descrição
TimesFM 3.0 é um sofisticado modelo de base para séries temporais desenvolvido pela Google Research, com o objetivo de aprimorar a precisão e a eficiência da previsão de séries temporais. Este modelo faz parte da iniciativa da Google para avançar a inteligência artificial por meio de código aberto e ciência aberta. TimesFM 3.0 é construído sobre uma arquitetura de Stacked Mixing Transformer com Variate Attention e CPM Iterative RevIN, apresentando 20 camadas de transformador com uma dimensão de modelo de 1280 e 16 cabeças. O modelo é pré-treinado usando um conjunto de dados diversificado, incluindo GiftEvalPretrain, visualizações de páginas da Wikipedia e as principais consultas do Google Trends, garantindo uma compreensão abrangente dos dados de séries temporais.
Ler mais
O modelo é lançado sob a Licença Não Comercial TimesFM v1.0, tornando-o acessível para uso não comercial. É projetado para lidar com dados complexos de séries temporais com um comprimento de patch de contexto de 32 e um comprimento de patch de horizonte de previsão de 64. Os quantis do modelo são definidos com a mediana no índice 4, proporcionando uma estrutura robusta para tarefas de previsão.
TimesFM 3.0 ganhou uma tração significativa, com mais de um milhão de downloads apenas no último mês, indicando sua popularidade e eficácia na comunidade de IA. Está integrado em 19 espaços diferentes, demonstrando sua versatilidade e adaptabilidade em várias aplicações.
Este modelo é particularmente benéfico para pesquisadores e desenvolvedores que trabalham em áreas que exigem previsões precisas de séries temporais, como finanças, previsão do tempo e gestão da cadeia de suprimentos. Ao aproveitar o poder do TimesFM 3.0, os usuários podem alcançar previsões e insights mais precisos, impulsionando, em última análise, melhores processos de tomada de decisão.
- CategoriaPrevisão e análise preditiva
- Modelo de preçosCódigo aberto
- ImplantaçãoNuvem
- PlataformasWeb
Destaques de TimesFM 3.0 (PyTorch)
Modelo de base para séries temporais pré-treinado
Arquitetura de Stacked Mixing Transformer
Variate Attention e CPM Iterative RevIN
20 camadas de transformador
Dimensão do modelo: 1280
16 cabeças
Comprimento do patch de contexto: 32
Comprimento do patch de horizonte de previsão: 64
Primeiros passos com TimesFM 3.0 (PyTorch)
Acessar o modelo: Visite Hugging Face
Autenticar: Use suas credenciais
Configurar o ambiente: Configure o PyTorch
Integrar via API: Use as configurações fornecidas
Otimizar: Ajuste os parâmetros para casos de uso específicos
Casos de uso de TimesFM 3.0 (PyTorch)
- Previsão Financeira
- Previsão do Tempo
- Gestão da Cadeia de Suprimentos
- Consumo de Energia
- Análise de Saúde
