Methodenbewijsdossier

Moirai

Moirai is a foundation model for universal time-series forecasting introduced by Gerald Woo and colleagues at Salesforce Research in 2024 and presented at ICML. The core idea is to pre-train a single large Transformer on an exceptionally diverse corpus of time-series data (LOTSA) spanning many domains and frequencies, enabling zero-shot and few-shot forecasting on unseen datasets without task-specific retraining. Moirai employs patch-based tokenization, any-variate attention, and a mixture-of-distributions output head to handle variable frequencies, multiple variates, and probabilistic prediction in a unified architecture.

Sources recorded, not reviewed

Bronrecord

Citaten letterlijk overgenomen uit het bronrecord van de methode. Hieruit wordt geen verificatie op claimniveau afgeleid.

Moirai (Universal Time-Series Forecasting Transformer)

Taxonomisch methodendossier · ml-model / deep-learning

Woo, G., Liu, C., Kumar, A., Xiong, C., Savarese, S., & Sahoo, D. (2024). Unified training of universal time series forecasting transformers. ICML. · URL

Volledige methode openen

Gecureerde claims

Claims opgeslagen in het bewijsregister, elk met zijn eigen beoordeling.

Nog geen gecureerde claims

Deze weergave verzint geen claimbeoordeling als het register er geen heeft.

Gerelateerde methoden

Gegenereerd uit de methodegraaf en getoond als machinaal voorgestelde relaties — er wordt geen bewijsclaim afgeleid.

Taxonomic bucketChronosmachine-suggested · Relational suggestion, not evidence.Same method familyPatchTSTmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketTimesFMmachine-suggested · Relational suggestion, not evidence.