Описание
Timestral-209M является частью семейства моделей временных рядов Timestral, специально разработанной для прогнозирования без обучения. Эта модель доступна в версии с 209 миллионами параметров и поддерживает как унивариантное, так и многовариантное прогнозирование. Она способна обрабатывать только прошлые данные и известные будущие ковариаты, а также предоставляет вероятностные предсказания по 21 квантилю.
Читать далее
Архитектура модели основана на трансформере с патчами, использующем временное внимание и внимание к вариациям, состоящем из 24 слоев с размерностью встраивания 768. Каждый патч содержит 32 временных шага, а длина контекста может достигать 32,768 временных шагов. Timestral-209M может прогнозировать до 1,024 шагов за один прямой проход, при этом более длинные горизонты прогнозируются блоками.
Timestral-209M продемонстрировала передовую точность без обучения по основным эталонным тестам, таким как GIFT-Eval, TIME и fev-bench. Она превосходит другие модели по таким метрикам, как MASE и CRPS, демонстрируя свою эффективность и надежность в прогнозировании временных рядов.
Модель является открытым исходным кодом, ее код доступен на GitHub, что позволяет пользователям запускать Timestral-209M и воспроизводить эталонные результаты. Она работает на PyTorch и может использоваться как на CPU, так и на GPU, обеспечивая гибкость для различных вычислительных сред. Модель выпущена под модифицированной лицензией MIT, что обеспечивает доступность при соблюдении прав интеллектуальной собственности.
- КатегорияПрогнозирование и предиктивная аналитика
- Модель ценообразованияОткрытый код
- РазвёртываниеОблако
- ПлатформыВеб
Главное о Timestral-209M
Прогнозирование без обучения
Поддержка унивариантного и многовариантного прогнозирования
Вероятностные предсказания по 21 квантилю
Архитектура трансформера с патчами
24 слоя с размерностью встраивания 768
Длина контекста до 32,768 временных шагов
Горизонт прогнозирования до 1,024 шагов
Открытый исходный код с репозиторием на GitHub
Начало работы с Timestral-209M
Доступ к модели: посетите Hugging Face
Аутентификация: настройте учетную запись
Настройка окружения: настройте PyTorch
Интеграция через API: используйте модель в приложениях
Оптимизация: настройте параметры под конкретные нужды
Варианты использования Timestral-209M
- Финансовое прогнозирование
- Управление цепочками поставок
- Прогнозирование погоды
- Потребление энергии
- Аналитика в здравоохранении
