TimesFM : Un modèle de fondation de type décodeur seul pour la prévision de séries temporelles
TimesFM est un modèle de fondation pré-entraîné pour la prévision de séries temporelles univariées, introduit par Abhimanyu Das, Weihao Kong, Rajat Sen et Yichen Zhou de Google en 2024. Le modèle adopte une architecture de transformeur de type décodeur seul, similaire dans l'esprit aux grands modèles linguistiques, et est entraîné sur un vaste corpus de données de séries temporelles réelles et synthétiques. Son innovation centrale est la capacité à réaliser des prévisions précises en apprentissage zéro-shot (zero-shot forecasting) dans divers domaines sans ajustement fin (fine-tuning) spécifique à la tâche.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Das, A., Kong, W., Sen, R., & Zhou, Y. (2024). A decoder-only foundation model for time-series forecasting. ICML. link ↗
Comment citer cette page
ScholarGate. (2026, June 2). TimesFM (Time-series Foundation Model). ScholarGate. https://scholargate.app/fr/deep-learning/timesfm
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- ChronosApprentissage profond↔ compare
- Moirai : Transformer universel pour la prévision de séries temporellesApprentissage profond↔ compare
- PatchTSTApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →