时间序列预测的时间序列

Google的TimesFM：革命性的预算时序列模型

Google Research已揭露了TimesFM，这是一种针对单变量时间序列预测的开创性预处理的基础模型。这种创新的模型简化了时间序列分析的通常复杂的过程，提供了零拍的预测功能，可与众多公共数据集竞争监督模型。

TimesFM的主要功能：

• 零拍摄的预测： TimesFM实现了令人印象深刻的准确性，而无需在新数据集上进行额外的培训。
• 基于变压器的体系结构：利用具有2亿个参数的强大变压器体系结构，TimesFM处理时间序列数据，上下文长度高达512点。
• 单变量焦点：该模型根据其历史数据来预测单个变量的未来值。
• 可调超参数：用户可以调整参数，例如模型尺寸，补丁长度和地平线长度，以优化性能。
• 高精度：证明了最小的预测误差（例如，在Kaggle Electric生产数据集上的MAE = 3.34），与实际数据相当。

了解体系结构和功能：

TimesFM的架构建立在变压器解码器上，该解码器在超过1000亿个现实世界中的大量数据集中预估计。关键组件包括：

• 输入处理：该模型将输入时间序列分为补丁，应用残留块并结合位置编码。
• 变压器层：堆叠的变压器层处理输入补丁，捕获复杂的时间模式。
• 输出生成：该模型生成输出令牌，用于预测未来值。
• 超参数调整：关键超标仪包括model_dim ， input_patch_len ， output_patch_len ， num_heads ， num_layers ， context length和horizon length 。这些参数会影响模型的行为和预测能力。

行动中的时代FM：Kaggle Electric生产数据集演示

使用Kaggle的电力生产数据集的实用演示展示了TimesFM的功能。该模型准确地预测了以低错误率的未来电力生产。演示突出了使用的易用性和模型令人印象深刻的性能。详细的代码和可视化可在原始文章中找到。

结论：

TimesFM代表了时间序列预测的重大进步。它预验证的性质，再加上其强大的体系结构和高精度，使其成为各种应用程序的宝贵工具。该模型简化了时间序列分析的复杂性，从而使更广泛的用户可以访问准确的预测。

常见问题：

• MAE（平均绝对误差）： MAE测量预测值和实际值之间的平均绝对差。较低的MAE表示更好的预测精度。
• 季节性：由于季节性因素（例如，假日销售），时间序列的常规，可预测的变化。
• 趋势：时间序列的长期方向（向上，向下或稳定）。
• 使用TimesFM：TimesFM预测单变量时间序列使用其过去值预测单个变量，利用其基于变压器的体系结构进行准确的预测。

以上是时间序列预测的时间序列的详细内容。更多信息请关注PHP中文网其他相关文章！