论文页面 - TimesFM：用于时间序列预测的仅解码器基础模型

来源: https://huggingface.co/papers/2310.10688 发布于 2023 年 10 月 14 日

摘要

一种针对时间序列预测调整的大语言模型，在不同时间尺度和粒度下的多样化数据集上实现了接近最优的零样本（zero-shot）性能。

受自然语言处理（NLP）领域大语言模型近期进展的启发，我们设计了一个用于预测的时间序列基础模型 (https://huggingface.co/papers?q=forecasting)，其在各种公开数据集上的开箱即用零样本性能 (https://huggingface.co/papers?q=zero-shot%20performance) 接近针对每个单独数据集的最新监督式预测 (https://huggingface.co/papers?q=forecasting) 模型的准确率。我们的模型基于在大规模时间序列语料库 (https://huggingface.co/papers?q=time-series%20corpus) 上预训练的 patch 解码器 (https://huggingface.co/papers?q=patched-decoder) 风格的注意力模型 (https://huggingface.co/papers?q=attention%20model)，能够适应不同的预测历史长度、预测长度和时间粒度。

查看 arXiv 页面 (https://arxiv.org/abs/2310.10688) 查看 PDF (https://arxiv.org/pdf/2310.10688) GitHub 19.5k stars (https://github.com/google-research/timesfm) 添加到合集 (https://huggingface.co/login?next=%2Fpapers%2F2310.10688)

社区

通过在文本输入框中拖放、粘贴或点击此处上传图片、音频和视频。

点击或粘贴此处上传图片

在您的智能体中获取此论文：

hf papers read 2310.10688

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型 14

google/timesfm-1.0-200m 时间序列预测 • 更新于 2024 年 5 月 17 日 • 1.3k ⬆️ • 814 ⭐️ (https://huggingface.co/google/timesfm-1.0-200m)

google/timesfm-2.0-500m-pytorch 时间序列预测 • 0.5B • 更新于 2025 年 4 月 16 日 • 35.7k ⬆️ • 252 ⭐️ (https://huggingface.co/google/timesfm-2.0-500m-pytorch)

google/timesfm-2.5-200m-pytorch 时间序列预测 • 更新于 2025 年 10 月 2 日 • 228 ⭐️ (https://huggingface.co/google/timesfm-2.5-200m-pytorch)

google/timesfm-2.5-200m-transformers 时间序列预测 • 0.2B • 更新于 27 天前 • 145k ⬆️ • 82 ⭐️ (https://huggingface.co/google/timesfm-2.5-200m-transformers)

浏览引用此论文的 14 个模型 (https://huggingface.co/models?other=arxiv:2310.10688)

引用此论文的数据集 0

没有数据集链接此论文

在数据集的 README.md 中引用 arxiv.org/abs/2310.10688 即可从此页面链接它。

引用此论文的 Spaces 46

包含此论文的合集 9

浏览包含此论文的 9 个合集 (https://huggingface.co/collections?paper=2310.10688)