跳转到主要内容
ToolPotion
AI 顾问
提交(免费)

TimeH2O-v1

TimeH2O-v1 是一个拥有 1.08 亿参数的时间序列基础模型,旨在进行零-shot 概率预测。它支持协变量,并在 GIFT-Eval 和 fev-bench 等基准测试中提供了最先进的结果。该模型非常适合需要高准确度预测未来时间相关数据点的应用,提供了强大的性能以应对各种预测任务。

查看模型
分享
查看模型
分享

TimeH2O-v1 是由 H2O.ai 开发的复杂时间序列基础模型,具有 1.08 亿个参数。它专门设计用于零-shot 概率预测,这意味着它可以在未见过的数据上进行预测,而无需在该特定数据集上进行先前的微调。TimeH2O-v1 的一个关键能力是支持协变量,允许它在主要时间序列数据旁边纳入额外的相关变量,以提高预测准确性。

阅读更多

该模型在多个基准测试中展示了最先进的性能。在 GIFT-Eval 上,它达到了 0.441 的 CRPS(连续排名概率分数)和 0.654 的 MASE(平均绝对缩放误差),超越了 Timestral-209M、t0-gamma、TimesFM-3 和 Chronos-2 等模型。同样,在 fev-bench 上,TimeH2O-v1 记录了 50.83 的 SQL 技能分数和 39.95 的 MASE 技能分数,再次超越了其竞争对手。

TimeH2O-v1 是更广泛的 TimeH2O 家族的一部分,该家族还包括 TimeH2O-v1-tiny,这是一个优化以最大吞吐量而非峰值准确度的小型 580 万参数模型。v1 模型最适合于将最大化预测准确性作为主要目标的场景。它可以处理多达 16,384 个时间步的上下文,并提供无限的预测视野,输出 9 个分位数(从 0.1 到 0.9)以进行概率预测。该模型接受带有可选协变量的目标序列作为输入。

在 Hugging Face 上访问 TimeH2O-v1 需要用户同意分享其 Hugging Face 信息并接受特定条件,因为它是以非商业用途许可的。该模型是在多样化的数据集上训练的,仔细排除了与 fev-bench、GIFT-Eval 和 TIME 重叠的任何数据,以确保基准结果的公正性。训练数据源包括 autogluon/chronos_datasets、Salesforce/GiftEvalPretrain、Salesforce/lotsa_data、hq-bench/quito-corpus、Dingdong-Inc/FreshRetailNet-LT、Azure Functions 2019 trace、Iowa Liquor Sales 和 BLS Average Prices,每个数据源都有其各自的许可证。

  • 类别AI 模型与大语言模型
  • 部署云端
  • 平台Hugging Face

  • 1.08 亿参数以实现强大的预测能力

  • 零-shot 概率预测能力

  • 支持协变量以提高预测准确性

  • 在 GIFT-Eval 和 fev-bench 上的最先进基准结果

  • 最多支持 16,384 个时间步的上下文窗口

  • 无限的预测视野

  • 输出 9 个分位数(0.1 到 0.9)以进行概率预测

  • 优化以实现时间序列预测的最大准确性

  • 非商业用途的使用许可

  • 训练中排除与基准重叠的数据

  • TimeH2O 模型家族的一部分

  • 在 Hugging Face 上公开访问,需遵循条件

  1. 访问模型:导航到 Hugging Face 上的 TimeH2O-v1 页面。

  2. 接受条件:查看并接受访问模型文件和内容的条款和条件。

  3. 登录/注册:登录您的 Hugging Face 账户,或如果没有账户则注册。

  4. 下载文件:下载模型文件和相关资源。

  5. 设置环境:配置您的开发环境,安装使用 Hugging Face 模型所需的依赖项。

  6. 集成模型:将 TimeH2O-v1 集成到您的应用程序或工作流程中以进行时间序列预测。

  7. 提供输入:向模型提供目标序列数据及可选协变量。

  8. 生成预测:利用模型生成带有 9 个分位数的零-shot 概率预测。

  • 零-shot 预测
  • 概率预测
  • 协变量增强预测
  • 高准确度时间序列分析
  • 长时间范围预测
  • 基准性能评估
  • 研究与开发

TimeH2O-v1 评价

加载中...

与 TimeH2O-v1 类似的热门AI工具

Chronos-2 是一个拥有 1.2 亿参数的仅编码器时间序列基础模型,旨在实现零样本预测。它支持多种预测任务,并且高效,能够在单个 A10G GPU 上每秒提供超过 300 个预测。

预测与预测分析
查看工具

拥有 1.2 亿参数的仅编码器时间序列基础模型,旨在实现零样本预测。它支持多种预测任务,并且高效,能够在单个 A10G GPU 上每秒提供超过 300 个预测。Chronos-2 是一个拥有 1.2 亿参数的仅编码器时间序列基础模型,旨在实现零样本预测。它支持多种预测任务,并且高效,能够在单个 A10G GPU 上每秒提供超过 300 个预测。

精选预测与预测分析
查看 AI 模型 Top 5

Timestral-209M 是一个为零-shot 预测设计的时间序列基础模型。它支持单变量和多变量预测,提供概率预测,并能够处理多达 32,768 个历史时间步。该模型是开源的,允许用户轻松重现基准结果。

预测与预测分析
查看工具

为零-shot 预测设计的时间序列基础模型。它支持单变量和多变量预测,提供概率预测,并能够处理多达 32,768 个历史时间步。该模型是开源的,允许用户轻松重现基准结果。Timestral-209M 是一个为零-shot 预测设计的时间序列基础模型。它支持单变量和多变量预测,提供概率预测,并能够处理多达 32,768 个历史时间步。该模型是开源的,允许用户轻松重现基准结果。

预测与预测分析
查看 AI 模型 Top 5

TimesNet

AI 模型

TimesNet 是一个通用的时间序列分析基础模型,它将一维序列转换为二维空间以增强建模能力。通过利用视觉骨干网络进行强大的表示学习,在预测、插补、异常检测和分类任务中取得了最先进的成果,能够处理多样化的时间模式。

AI 模型与大语言模型
查看工具

AI 模型

通用的时间序列分析基础模型,它将一维序列转换为二维空间以增强建模能力。通过利用视觉骨干网络进行强大的表示学习,在预测、插补、异常检测和分类任务中取得了最先进的成果,能够处理多样化的时间模式。TimesNet 是一个通用的时间序列分析基础模型,它将一维序列转换为二维空间以增强建模能力。通过利用视觉骨干网络进行强大的表示学习,在预测、插补、异常检测和分类任务中取得了最先进的成果,能够处理多样化的时间模式。

AI 模型与大语言模型
查看 AI 模型 Top 5

TimesFM 3.0 是由 Google Research 开发的预训练时间序列基础模型。它旨在进行时间序列预测,并提供 PyTorch 权重和配置。

预测与预测分析
查看工具

由 Google Research 开发的预训练时间序列基础模型。它旨在进行时间序列预测,并提供 PyTorch 权重和配置。TimesFM 3.0 是由 Google Research 开发的预训练时间序列基础模型。它旨在进行时间序列预测,并提供 PyTorch 权重和配置。

预测与预测分析
查看 AI 模型 Top 5

PatchTST

AI 模型

PatchTST 是一个基于 Transformer 的长时序预测模型的官方实现。它将时间序列分割成块(patches)并独立处理,提供高效且有效的预测。该项目提供了监督学习和自监督学习方法的代码,实现了强大的预测能力。

AI 模型与大语言模型
查看工具

AI 模型

基于 Transformer 的长时序预测模型的官方实现。它将时间序列分割成块(patches)并独立处理,提供高效且有效的预测。该项目提供了监督学习和自监督学习方法的代码,实现了强大的预测能力。PatchTST 是一个基于 Transformer 的长时序预测模型的官方实现。它将时间序列分割成块(patches)并独立处理,提供高效且有效的预测。该项目提供了监督学习和自监督学习方法的代码,实现了强大的预测能力。

AI 模型与大语言模型
查看 AI 模型 Top 5

Timestral

AI GitHub 仓库

Timestral是由Mistral AI开发的时间序列基础模型。它旨在处理复杂的时间序列数据,提供强大的分析和洞察。非常适合从事预测分析和预测的开发人员和数据科学家。

AI 模型与大语言模型
查看工具

AI GitHub 仓库

由Mistral AI开发的时间序列基础模型。它旨在处理复杂的时间序列数据,提供强大的分析和洞察。非常适合从事预测分析和预测的开发人员和数据科学家。Timestral是由Mistral AI开发的时间序列基础模型。它旨在处理复杂的时间序列数据,提供强大的分析和洞察。非常适合从事预测分析和预测的开发人员和数据科学家。

AI 模型与大语言模型
查看 AI GitHub 仓库 Top 250

GluonTS

AI 框架

GluonTS 是一个用于概率时间序列建模的 Python 包,利用基于 PyTorch 和 MXNet 的深度学习模型。它通过生成概率分布形式的预测(包括预测区间)来实现准确的预测,适用于复杂的时间序列分析。

AI 模型与大语言模型
查看工具

AI 框架

用于概率时间序列建模的 Python 包,利用基于 PyTorch 和 MXNet 的深度学习模型。它通过生成概率分布形式的预测(包括预测区间)来实现准确的预测,适用于复杂的时间序列分析。GluonTS 是一个用于概率时间序列建模的 Python 包,利用基于 PyTorch 和 MXNet 的深度学习模型。它通过生成概率分布形式的预测(包括预测区间)来实现准确的预测,适用于复杂的时间序列分析。

AI 模型与大语言模型
查看 AI 框架 Top 50

Chronos

AI GitHub 仓库

Chronos是一个GitHub仓库,提供用于时间序列预测的预训练模型。由亚马逊科学开发,提供各种领域的准确预测工具,增强决策过程。

预测与预测分析
查看工具

AI GitHub 仓库

GitHub仓库,提供用于时间序列预测的预训练模型。由亚马逊科学开发,提供各种领域的准确预测工具,增强决策过程。Chronos是一个GitHub仓库,提供用于时间序列预测的预训练模型。由亚马逊科学开发,提供各种领域的准确预测工具,增强决策过程。

预测与预测分析
查看 AI GitHub 仓库 Top 250
1/8