TimesFM: แบบจำลองพื้นฐานแบบถอดรหัสเท่านั้นสำหรับการพยากรณ์อนุกรมเวลา
TimesFM เป็นแบบจำลองพื้นฐานที่ได้รับการฝึกฝนล่วงหน้าสำหรับการพยากรณ์อนุกรมเวลาแบบเอกสารแปรผัน (univariate) ที่นำเสนอโดย Abhimanyu Das, Weihao Kong, Rajat Sen และ Yichen Zhou จาก Google ในปี 2024 แบบจำลองนี้ใช้สถาปัตยกรรมทรานส์ฟอร์มเมอร์แบบถอดรหัสเท่านั้น (decoder-only transformer) ซึ่งมีแนวคิดคล้ายคลึงกับแบบจำลองภาษาขนาดใหญ่ (large language models) และได้รับการฝึกฝนบนคลังข้อมูลอนุกรมเวลาจำนวนมากทั้งจากโลกจริงและข้อมูลสังเคราะห์ นวัตกรรมหลักคือความสามารถในการพยากรณ์แบบ zero-shot ที่แม่นยำในหลากหลายโดเมนโดยไม่ต้องปรับแต่งเฉพาะสำหรับงานนั้นๆ
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Das, A., Kong, W., Sen, R., & Zhou, Y. (2024). A decoder-only foundation model for time-series forecasting. ICML. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 2). TimesFM (Time-series Foundation Model). ScholarGate. https://scholargate.app/th/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: แบบจำลองพื้นฐานแบบโทเค็นสำหรับการพยากรณ์อนุกรมเวลาการเรียนรู้เชิงลึก↔ compare
- Moirai: แบบจำลองพื้นฐานสำหรับการพยากรณ์อนุกรมเวลาแบบสากลการเรียนรู้เชิงลึก↔ compare
- PatchTSTการเรียนรู้เชิงลึก↔ compare