TimesFM: En grundmodell med endast avkodare för tidsserieprognoser
TimesFM är en förtränad grundmodell för univariat tidsserieprognostisering introducerad av Abhimanyu Das, Weihao Kong, Rajat Sen och Yichen Zhou från Google år 2024. Modellen antar en transformerarkitektur med endast avkodare, liknande stora språkmodeller, och är tränad på en stor korpus av verkliga och syntetiska tidsseriedata. Dess centrala innovation är förmågan att utföra noggranna nollskotts-prognoser över olika domäner utan uppgiftsspecifik finjustering.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- Das, A., Kong, W., Sen, R., & Zhou, Y. (2024). A decoder-only foundation model for time-series forecasting. ICML. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). TimesFM (Time-series Foundation Model). ScholarGate. https://scholargate.app/sv/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.
- Chronos: En tokeniserad grundmodell för tidsserieprognoserDjupinlärning↔ compare
- Moirai: Universell Transformer för tidsserieprognoserDjupinlärning↔ compare
- PatchTSTDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →