Google的TimesFM：革命性的預(yù)算時(shí)序列模型

Google Research已揭露了TimesFM，這是一種針對單變量時(shí)間序列預(yù)測的開創(chuàng)性預(yù)處理的基礎(chǔ)模型。這種創(chuàng)新的模型簡化了時(shí)間序列分析的通常複雜的過程，提供了零拍的預(yù)測功能，可與眾多公共數(shù)據(jù)集競爭監(jiān)督模型。

TimesFM的主要功能：

• 零拍攝的預(yù)測： TimesFM實(shí)現(xiàn)了令人印象深刻的準(zhǔn)確性，而無需在新數(shù)據(jù)集上進(jìn)行額外的培訓(xùn)。
• 基於變壓器的體系結(jié)構(gòu)：利用具有2億個(gè)參數(shù)的強(qiáng)大變壓器體系結(jié)構(gòu)，TimesFM處理時(shí)間序列數(shù)據(jù)，上下文長度高達(dá)512點(diǎn)。
• 單變量焦點(diǎn)：該模型根據(jù)其歷史數(shù)據(jù)來預(yù)測單個(gè)變量的未來值。
• 可調(diào)超參數(shù)：用戶可以調(diào)整參數(shù)，例如模型尺寸，補(bǔ)丁長度和地平線長度，以優(yōu)化性能。
• 高精度：證明了最小的預(yù)測誤差（例如，在Kaggle Electric生產(chǎn)數(shù)據(jù)集上的MAE = 3.34），與實(shí)際數(shù)據(jù)相當(dāng)。

了解體系結(jié)構(gòu)和功能：

TimesFM的架構(gòu)建立在變壓器解碼器上，該解碼器在超過1000億個(gè)現(xiàn)實(shí)世界中的大量數(shù)據(jù)集中預(yù)估計(jì)。關(guān)鍵組件包括：

• 輸入處理：該模型將輸入時(shí)間序列分為補(bǔ)丁，應(yīng)用殘留塊並結(jié)合位置編碼。
• 變壓器層：堆疊的變壓器層處理輸入補(bǔ)丁，捕獲複雜的時(shí)間模式。
• 輸出生成：該模型生成輸出令牌，用於預(yù)測未來值。
• 超參數(shù)調(diào)整：關(guān)鍵超標(biāo)儀包括model_dim ， input_patch_len ， output_patch_len ， num_heads ， num_layers ， context length和horizon length 。這些參數(shù)會(huì)影響模型的行為和預(yù)測能力。

行動(dòng)中的時(shí)代FM：Kaggle Electric生產(chǎn)數(shù)據(jù)集演示

使用Kaggle的電力生產(chǎn)數(shù)據(jù)集的實(shí)用演示展示了TimesFM的功能。該模型準(zhǔn)確地預(yù)測了以低錯(cuò)誤率的未來電力生產(chǎn)。演示突出了使用的易用性和模型令人印象深刻的性能。詳細(xì)的代碼和可視化可在原始文章中找到。

結(jié)論：

TimesFM代表了時(shí)間序列預(yù)測的重大進(jìn)步。它預(yù)驗(yàn)證的性質(zhì)，再加上其強(qiáng)大的體系結(jié)構(gòu)和高精度，使其成為各種應(yīng)用程序的寶貴工具。該模型簡化了時(shí)間序列分析的複雜性，從而使更廣泛的用戶可以訪問準(zhǔn)確的預(yù)測。

常見問題：

• MAE（平均絕對誤差）： MAE測量預(yù)測值和實(shí)際值之間的平均絕對差。較低的MAE表示更好的預(yù)測精度。
• 季節(jié)性：由於季節(jié)性因素（例如，假日銷售），時(shí)間序列的常規(guī)，可預(yù)測的變化。
• 趨勢：時(shí)間序列的長期方向（向上，向下或穩(wěn)定）。
• 使用TimesFM：TimesFM預(yù)測單變量時(shí)間序列使用其過去值預(yù)測單個(gè)變量，利用其基於變壓器的體系結(jié)構(gòu)進(jìn)行準(zhǔn)確的預(yù)測。

以上是時(shí)間序列預(yù)測的時(shí)間序列的詳細(xì)內(nèi)容。更多資訊請關(guān)注PHP中文網(wǎng)其他相關(guān)文章！