TimesFM 2.0:用 AI 预测流量、销量和金融市场等走势!谷歌开源超越统计方法的预测模型

本文涉及的产品
模型训练 PAI-DLC,100CU*H 3个月
交互式建模 PAI-DSW,每月250计算时 3个月
模型在线服务 PAI-EAS,A10/V100等 500元 1个月
简介: TimesFM 2.0 是谷歌研究团队开源的时间序列预测模型,支持长达2048个时间点的单变量预测,具备零样本学习能力,适用于零售、金融、交通等多个领域。

❤️ 如果你也关注 AI 的发展现状,且对 AI 应用开发非常感兴趣,我会每日分享大模型与 AI 领域的最新开源项目和应用,提供运行实例和实用教程,帮助你快速上手AI技术,欢迎关注我哦!

🥦 微信公众号|搜一搜:蚝油菜花 🥦


🚀 快速阅读

  1. 功能强大:支持长达2048个时间点的单变量时间序列预测,适用于多种应用场景。
  2. 技术先进:采用纯解码器架构,结合输入修补和修补掩码技术,提升训练和推理效率。
  3. 灵活应用:支持零样本学习,能够处理不同长度和频率的时间序列输入。

正文(附运行示例)

TimesFM 2.0 是什么

timesfm-advanced

TimesFM 2.0 是谷歌研究团队推出的开源时间序列预测模型。该模型具备强大的预测能力,能够处理长达2048个时间点的单变量时间序列,并支持任意预测时间跨度。TimesFM 2.0 采用纯解码器架构,结合输入修补和修补掩码技术,实现了高效的训练与推理,同时支持零样本预测。

TimesFM 2.0 的预训练数据集涵盖了多个领域,包括住宅用电负荷、太阳能发电、交通流量等,使模型具有良好的泛化能力。该模型可广泛应用于零售销量预测、金融市场走势分析、网站流量预测、环境监测和智能交通等领域,为各行业提供有力的决策支持。

TimesFM 2.0 的主要功能

  • 强大的预测能力:支持长达2048个时间点的单变量时间序列预测,适用于多种应用场景。
  • 灵活的预测频率选择:用户可以根据不同的时间序列特征,自由选择预测频率,增强了预测的灵活性。
  • 实验性分位头预测:模型主要进行点预测,同时实验性地提供了10个分位头,用于生成预测的不确定性估计。
  • 零样本学习能力:尽管模型的最大训练上下文长度为2048,但在实际应用中可以处理更长的上下文,展现出优秀的零样本学习能力。

TimesFM 2.0 的技术原理

  • 纯解码器架构:TimesFM 2.0 采用纯解码器架构,能够更有效地捕捉长距离的时间依赖关系,提升计算效率。
  • 时间序列分块和位置编码:模型对时间序列进行分块处理,并注入位置编码,通过堆叠的Transformer层提炼出数据中的时间顺序信息。
  • 输入修补和修补掩码:通过输入修补和修补掩码技术,模型实现了高效训练和推理过程,支持零样本预测。
  • 预训练过程:模型在包含1000亿个真实世界时间点的大规模时间序列语料库上进行预训练,采用自监督学习方法预测序列中的下一个时间点。

如何运行 TimesFM 2.0

1. 安装依赖

首先,确保你已经安装了 pyenvpoetry。然后,根据你的需求选择安装 PAX 或 PyTorch 版本。

# 安装 PAX 版本
pyenv local 3.10.15
poetry env use 3.10.15
poetry lock
poetry install -E pax

# 安装 PyTorch 版本
pyenv local 3.11.10
poetry env use 3.11.10
poetry lock
poetry install -E torch

2. 初始化模型并加载检查点

你可以通过以下代码初始化 TimesFM 2.0 模型并加载检查点。

import timesfm

# 加载 TimesFM 2.0 检查点(PAX 版本)
tfm = timesfm.TimesFm(
    hparams=timesfm.TimesFmHparams(
        backend="gpu",
        per_core_batch_size=32,
        horizon_len=128,
        num_layers=50,
        context_len=2048,
        use_positional_embedding=False,
    ),
    checkpoint=timesfm.TimesFmCheckpoint(
        huggingface_repo_id="google/timesfm-2.0-500m-jax"),
)

# 加载 TimesFM 2.0 检查点(PyTorch 版本)
tfm = timesfm.TimesFm(
    hparams=timesfm.TimesFmHparams(
        backend="gpu",
        per_core_batch_size=32,
        horizon_len=128,
        num_layers=50,
        use_positional_embedding=False,
        context_len=2048,
    ),
    checkpoint=timesfm.TimesFmCheckpoint(
        huggingface_repo_id="google/timesfm-2.0-500m-pytorch"),
)

3. 进行预测

你可以使用以下代码进行时间序列预测。

import numpy as np

# 输入时间序列数据
forecast_input = [
    np.sin(np.linspace(0, 20, 100)),
    np.sin(np.linspace(0, 20, 200)),
    np.sin(np.linspace(0, 20, 400)),
]
frequency_input = [0, 1, 2]  # 低、中、高频率

# 进行预测
point_forecast, experimental_quantile_forecast = tfm.forecast(
    forecast_input,
    freq=frequency_input,
)

资源


❤️ 如果你也关注 AI 的发展现状,且对 AI 应用开发非常感兴趣,我会每日分享大模型与 AI 领域的最新开源项目和应用,提供运行实例和实用教程,帮助你快速上手AI技术,欢迎关注我哦!

🥦 微信公众号|搜一搜:蚝油菜花 🥦

相关实践学习
使用PAI+LLaMA Factory微调Qwen2-VL模型,搭建文旅领域知识问答机器人
使用PAI和LLaMA Factory框架,基于全参方法微调 Qwen2-VL模型,使其能够进行文旅领域知识问答,同时通过人工测试验证了微调的效果。
机器学习概览及常见算法
机器学习(Machine Learning, ML)是人工智能的核心,专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能,它是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。 本课程将带你入门机器学习,掌握机器学习的概念和常用的算法。
相关文章
|
10天前
|
人工智能 自然语言处理 搜索推荐
AI Compass前沿速览:Qoder Agentic编程、vivo Vision头显、AIRI桌面伴侣、RM-Gallery奖励模型平台
AI Compass前沿速览:Qoder Agentic编程、vivo Vision头显、AIRI桌面伴侣、RM-Gallery奖励模型平台
AI Compass前沿速览:Qoder Agentic编程、vivo Vision头显、AIRI桌面伴侣、RM-Gallery奖励模型平台
|
21天前
|
存储 人工智能 算法
AI测试平台实战:深入解析自动化评分和多模型对比评测
在AI技术迅猛发展的今天,测试工程师面临着如何高效评估大模型性能的全新挑战。本文将深入探讨AI测试平台中自动化评分与多模型对比评测的关键技术与实践方法,为测试工程师提供可落地的解决方案。
|
1月前
|
人工智能 JavaScript 测试技术
Cradle:颠覆AI Agent 操作本地软件,AI驱动的通用计算机控制框架,如何让基础模型像人一样操作你的电脑?
Cradle 是由 BAAI‑Agents 团队开源的通用计算机控制(GCC)多模态 AI Agent 框架,具备视觉输入、键鼠操作输出、自主学习与反思能力,可操作各类本地软件及游戏,实现任务自动化与复杂逻辑执行。
136 0
|
13天前
|
数据采集 人工智能 定位技术
分享一个开源的MCP工具使用的AI Agent 支持常用的AI搜索/地图/金融/浏览器等工具
介绍一个开源可用的 MCP Tool Use 通用工具使用的 AI Agent (GitHub: https://github.com/AI-Agent-Hub/mcp-marketplace ,Web App https://agent.deepnlp.org/agent/mcp_tool_use,支持大模型从Open MCP Marketplace (http://deepnlp.org/store/ai-agent/mcp-server) 的1w+ 的 MCP Server的描述和 Tool Schema 里面,根据用户问题 query 和 工具 Tool描述的 相关性,选择出来可以满足
|
20天前
|
人工智能 自然语言处理 负载均衡
排期延误预警:用AI预测项目风险的3层模型搭建教程
本文介绍了如何通过 AI 智能排期将项目排期误差减少 40% 以上。文章剖析了传统排期中常见的经验依赖、资源冲突、需求变更和进度滞后四大痛点,提出 AI 排期的三步落地方法:历史数据建模、动态适配需求、资源智能匹配,并推荐适配不同团队的 AI 排期工具。强调 AI 是辅助而非替代,核心在于用数据驱动提升排期准确性,帮助团队告别“拍脑袋估期”,实现高效、可控的项目管理。
排期延误预警:用AI预测项目风险的3层模型搭建教程
|
26天前
|
人工智能 边缘计算 自然语言处理
普通电脑也能跑AI:10个8GB内存的小型本地LLM模型推荐
随着模型量化技术的发展,大语言模型(LLM)如今可在低配置设备上高效运行。本文介绍本地部署LLM的核心技术、主流工具及十大轻量级模型,探讨如何在8GB内存环境下实现高性能AI推理,涵盖数据隐私、成本控制与部署灵活性等优势。
467 0
普通电脑也能跑AI:10个8GB内存的小型本地LLM模型推荐
|
30天前
|
人工智能 JSON 监控
从零开始构建AI Agent评估体系:12种LangSmith评估方法详解
AI Agent的评估需覆盖其整个生命周期,从开发到部署,综合考量事实准确性、推理路径、工具选择、结构化输出、多轮对话及实时性能等维度。LangSmith作为主流评估平台,提供了一套全面的评估框架,支持12种评估技术,包括基于标准答案、程序性分析及观察性评估。这些技术可有效监控Agent各组件表现,确保其在真实场景中的稳定性和可靠性。
567 0
从零开始构建AI Agent评估体系:12种LangSmith评估方法详解
AI:百度飞桨EasyDL多门视频课程,手把手教你如何定制高精度AI模型
AI:百度飞桨EasyDL多门视频课程,手把手教你如何定制高精度AI模型

热门文章

最新文章