Timesfm 1.0 200m

🚀 TimesFM

TimesFM（時間序列基礎模型）是由谷歌研究團隊開發的預訓練時間序列基礎模型，用於時間序列預測。它為時間序列預測任務提供了強大的支持，能幫助用戶更準確地預測未來趨勢。

資源與技術文檔

• 論文：A decoder-only foundation model for time-series forecasting，即將發表於ICML 2024。
• 谷歌研究博客：Google Research blog
• GitHub倉庫：GitHub repo

作者

谷歌研究團隊

⚠️ 重要提示 這並非谷歌官方支持的產品。

📦 安裝指南

此HuggingFace倉庫託管了TimesFm的模型檢查點。請訪問我們的GitHub倉庫，並按照其中的說明安裝timesfm庫以進行模型推理。

⚠️ 重要提示 依賴項lingvo不支持ARM架構，因此推理代碼在配備Apple silicon的機器上無法運行。我們已注意到這個問題，正在努力解決，請持續關注。

💻 使用示例

基礎用法

初始化模型並加載檢查點

可以按以下方式加載基類：

import timesfm

tfm = timesfm.TimesFm(
    context_len=<context>,
    horizon_len=<horizon>,
    input_patch_len=32,
    output_patch_len=128,
    num_layers=20,
    model_dims=1280,
    backend=<backend>,
)
tfm.load_from_checkpoint(repo_id="google/timesfm-1.0-200m")

⚠️ 重要提示 加載200m模型時，以下四個參數是固定的：

input_patch_len=32,
output_patch_len=128,
num_layers=20,
model_dims=1280,

💡 使用建議

1. 此處的context_len可以設置為模型的最大上下文長度。你可以向tfm.forecast()函數提供更短的序列，模型會自動處理。目前，模型處理的最大上下文長度為512，後續版本可能會增加。輸入的時間序列可以是任意上下文長度。如果需要，推理代碼會處理填充或截斷操作。
2. 預測長度（horizon_len）可以設置為任意值。我們建議將其設置為應用程序預測任務中所需的最大預測長度。一般來說，我們建議預測長度 <= 上下文長度，但在函數調用中這不是必需的。

高級用法

進行推理

我們提供了從數組輸入或pandas數據框進行預測的API。兩種預測方法都需要（1）輸入時間序列上下文，（2）以及它們的頻率。請查看tfm.forecast()和tfm.forecast_on_df()函數的文檔以獲取詳細說明。

💡 使用建議 關於頻率，TimesFM期望一個取值在{0, 1, 2}的分類指標：

• 0（默認）：高頻、長預測長度的時間序列。建議用於粒度達到每日的數據。
• 1：中頻時間序列。建議用於每週和每月的數據。
• 2：低頻、短預測長度的時間序列。建議用於每月以上的時間序列，例如季度或年度數據。

這個分類值應直接與數組輸入一起提供。對於數據框輸入，我們會將傳統的頻率字母編碼轉換為我們期望的類別，即：

• 0：T, MIN, H, D, B, U
• 1：W, M
• 2：Q, Y

⚠️ 重要提示 你不必嚴格遵循我們的建議。雖然這是我們在模型訓練期間的設置，並且我們期望它能提供最佳的預測結果，但你也可以將頻率輸入視為一個自由參數，並根據具體用例進行修改。

數組輸入示例

以下是將頻率分別設置為低、中、高的數組輸入示例：

import numpy as np
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]

point_forecast, experimental_quantile_forecast = tfm.forecast(
    forecast_input,
    freq=frequency_input,
)

pandas數據框輸入示例

以下是將頻率設置為“M”（每月）的pandas數據框輸入示例：

import pandas as pd

# 例如，input_df 如下
#       unique_id  ds          y
# 0     T1         1975-12-31  697458.0
# 1     T1         1976-01-31  1187650.0
# 2     T1         1976-02-29  1069690.0
# 3     T1         1976-03-31  1078430.0
# 4     T1         1976-04-30  1059910.0
# ...   ...        ...         ...
# 8175  T99        1986-01-31  602.0
# 8176  T99        1986-02-28  684.0
# 8177  T99        1986-03-31  818.0
# 8178  T99        1986-04-30  836.0
# 8179  T99        1986-05-31  878.0

forecast_df = tfm.forecast_on_df(
    inputs=input_df,
    freq="M",  # 每月
    value_name="y",
    num_jobs=-1,
)

📚 詳細文檔

檢查點 timesfm - 1.0 - 200m

timesfm-1.0-200m是第一個開放的模型檢查點：

• 它可以對上下文長度達512個時間點和任意預測長度的單變量時間序列進行預測，並可選擇使用頻率指標。
• 它專注於點預測，不支持概率預測。我們實驗性地提供了分位數頭，但在預訓練後尚未進行校準。
• 它要求上下文是連續的（即沒有“空洞”），並且上下文和預測長度的頻率必須相同。

基準測試

請參考我們在擴展基準測試和長預測長度基準測試上的結果表。

請查看experiments/目錄下各個基準測試目錄中的README文件，以獲取在相應基準測試上運行TimesFM的說明。

📄 許可證

本項目採用Apache - 2.0許可證。