模型介绍
中文整理TimesFM 3.0 (PyTorch)
模型用途
TimesFM（时间序列基础模型）是由Google Research开发的预训练时间序列基础模型，用于时间序列预测。
主要能力
基于Transformer架构的时间序列预测，支持多步预测和分位数输出。
输入输出
输入：时间序列数据
输出：预测结果，包含多个分位数（索引4为中位数）
运行要求
需要PyTorch环境及官方发布的权重和配置文件。
基本用法
该模型用于对时间序列数据进行预测推理。
架构详情
采用堆叠混合Transformer架构，配备变分注意力和CPM迭代RevIN。上下文patch长度为32，预测范围patch长度为64。模型包含20层Transformer，维度1280，16个注意力头。
数据来源
模型使用以下数据预训练：GiftEvalPretrain数据集（排除与fev-bench重叠的部分）、维基百科页面浏览量（截至2023年11月）、Google Trends热门查询（截至2022年底）、以及合成和增强数据。
限制
本模型仅限非商业用途。
许可证
TimesFM Non-Commercial License v1.0
引用
@article{das2023decoder,
title={A decoder-only foundation model for time-series forecasting},
author={Das, Abhimanyu and Kong, Weihao and Sen, Rajat and Zhou, Yichen},
journal={arXiv preprint arXiv:2310.10688},
year={2023}
}
优先采用原作者提供的中文模型卡片；仅有英文说明时由闲社AI翻译整理。重要参数、许可证和商用范围请以原文为准。
你将获得什么
完整仓库方式包含该固定版本中的权重、配置、分词器及说明文件；指定版本方式只下载所选文件或整组分片。多模态模型的投影文件、配置等依赖，请按作者说明配齐。
完整仓库可能包含多个权重格式，因此需要的磁盘空间可能大于单一格式的模型大小。下载文件不等于完成模型部署。
使用前须知
运行模型需要的设备、工具与依赖，以原作者说明为准。
是否允许商用、修改和分发，请查看模型许可证。
闲社提供资料与镜像下载方法，不代表已运行模型或完成安全审计。下载的代码应先检查，再执行。
资料或下载有问题？
登录后可提交反馈。