TimesFM: Zaman Serileri Tahmini için Yalnızca Kod Çözücü Temelli Bir Model
TimesFM (Time-series Foundation Model) · Ayrıca şöyle bilinir: Time-series Foundation Model, Google TimesFM, TimesFM forecaster, Zaman Serisi Temel Modeli
TimesFM, Abhimanyu Das, Weihao Kong, Rajat Sen ve Yichen Zhou tarafından Google'da 2024 yılında tanıtılan, tek değişkenli zaman serileri tahmini için önceden eğitilmiş bir temel modeldir. Model, büyük dil modellerine benzer şekilde, yalnızca kod çözücü (decoder-only) bir transformer mimarisini benimser ve gerçek dünya ile sentetik zaman serisi verilerinden oluşan büyük bir veri kümesi üzerinde eğitilmiştir. Modelin temel yeniliği, görev özelinde ince ayar (fine-tuning) yapmadan, çeşitli alanlarda doğru sıfır atış (zero-shot) tahmini yapabilme yeteneğidir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
TimesFM, etiketli eğitim verilerinin kıt olduğu veya birçok heterojen seri arasında hızlı dağıtımın gerektiği durumlarda sıfır atış veya az atışlı (few-shot) tek değişkenli zaman serisi tahmini için uygundur. Nispeten durağan veya yavaş sürüklenen örüntüleri varsayar ve düzenli olarak örneklenmiş verilerle en iyi şekilde çalışır. Çok değişkenli tahmin, güçlü seri içi bağımlılıklar, çok düzensiz veya seyrek gözlemler veya yorumlanabilir mekanik modeller gerektiren alanlar için daha az uygundur. Alternatifler arasında ilgili önceden eğitilmiş veya yama tabanlı yaklaşımlar için Chronos, Moirai ve PatchTST bulunmaktadır.
Güçlü yönler & sınırlılıklar
- Sıfır atış genellemesi: ince ayar yapmadan görülmemiş zaman serilerinde rekabetçi tahminler sunar
- Ölçeklenebilir yama jetonlaştırması, nokta düzeyindeki (point-level) transformer'lara kıyasla dizi uzunluğunu ve hesaplama maliyetini azaltır
- Yalnızca kod çözücü mimarisi, özyinelemeli üretim yoluyla esnek ufuk uzantısını etkinleştirir
- Çeşitli büyük ölçekli veri kümeleri üzerinde önceden eğitilmiş, alanlar genelinde geniş zamansal örüntüleri yakalar
- Öncelikle tek değişkenli tahmin için tasarlanmıştır; değişkenler arası bağımlılıklar açıkça modellenmez
- Eğitim dağılımı dışındaki yüksek derecede düzensiz, seyrek veya durağan olmayan serilerde performans düşebilir
- Büyük önceden eğitilmiş model boyutu, uç (edge) veya gömülü (embedded) dağıtım için kaynak açısından yoğun olabilir
- Sıfır atış yeteneği, dağıtım içi (in-distribution) görevlerde iyi ayarlanmış alan özel modeller tarafından hala geride bırakılabilir
SSS
TimesFM'in yeni bir veri kümesinde çalışması için ince ayar yapması gerekir mi?
Hayır. TimesFM, sıfır atış tahmini için tasarlanmıştır, yani tamamen yeni zaman serileri üzerinde ek eğitim yapmadan tahminler üretebilir. İnce ayar mümkündür ve belirli bir alanda performansı artırabilir, ancak model açıkça, alan içi etiketli verilerin bulunmadığı sıfır atış rejiminde oluşturulmuş ve değerlendirilmiştir.
Yama jetonlaştırması, standart nokta düzeyindeki zaman serisi transformer'larından nasıl farklıdır?
Standart transformer'lar, her bir zaman adımını bir jeton olarak ele alır, bu da çok uzun dizilere ve karesel dikkat maliyetine yol açar. Yama jetonlaştırması, gömülmeden önce ardışık zaman adımlarını sabit boyutlu bloklar halinde gruplandırır, bu da etkin dizi uzunluğunu önemli ölçüde kısaltır. Bu, bellek ve hesaplama gereksinimlerini azaltır ve ayrıca modelin her yama içindeki yerel zamansal yapıyı öğrenmesini teşvik eder.
TimesFM çok değişkenli zaman serilerini işleyebilir mi?
TimesFM, orijinal formülasyonunda tek değişkenli tahmini hedefler: her seri bağımsız olarak işlenir. Çok değişkenli verilere kanal bazında uygulanabilse de, değişkenler arası etkileşimleri açıkça modellemez. Seri içi korelasyonların önemli olduğu görevler için, çok değişkenli yerel modellere veya ek uyarlama stratejilerine daha uygun olacaktır.
Kaynaklar
- Das, A., Kong, W., Sen, R., & Zhou, Y. (2024). A decoder-only foundation model for time-series forecasting. ICML. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). TimesFM (Time-series Foundation Model). ScholarGate. https://scholargate.app/tr/deep-learning/timesfm
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Chronos: Zaman Serisi Tahmini için Tokenize Edilmiş Temel ModelDerin öğrenme↔ karşılaştır
- Moirai: Evrensel Zaman Serisi Tahmin Transformer'ıDerin öğrenme↔ karşılaştır