KI-Prognose für Zeitreihen
Das von Google Research entwickelte Time Series Foundation Model bietet eine vorab trainierte Struktur für die Zeitreihenvorhersage. Das Modell ist darauf ausgelegt, allgemeine Vorhersagefunktionen für verschiedene Datensätze bereitzustellen.
Aktualisierungen
- 8. September 2026: Sterne 30,360 → 31,902, neueste Version v3.0.0 (28. August 2026).
- 3. September 2026: Sterne 28,335 → 30,360, neueste Version v3.0.0 (28. August 2026).
- 31. August 2026: Sterne 27,185 → 28,335, neueste Version v3.0.0 (28. August 2026).
- 2. August 2026: Sterne 22,167 → 27,185, neueste Version v2.0.2 (2. Juli 2026).
Was es bringt
- Schnelle Vorhersage mit vorab trainiertem Basismodell
- Unterstützung für 16 KB Kontextlänge
- Anpassung an unterschiedliche Datensätze mit flexibler Struktur
Installation
pip install timesfm[torch]
# Or with Flax
pip install timesfm[flax]
# And when XReg is needed
pip install timesfm[xreg]git clone https://github.com/google-research/timesfm.git
cd timesfmWenn Sie nicht programmieren
Ich möchte Zeitreihenvorhersagen mithilfe der TimesFM-Bibliothek durchführen. Wie kann ich die 200M-Parameterstruktur mit Version 2.5 dieses von Google entwickelten Basismodells konfigurieren? Wie sollte ich die Werte max_context und max_horizon bestimmen, insbesondere während der Kompilierungsphase des Modells, und in welchem Format sollte ich Dateneingaben für die Prognosefunktion bereitstellen? Können Sie dies anhand einer Beispielcodestruktur erklären?
Verwandte Begriffe aus dem Glossar
Links
TreScout hat dieses Werkzeug nicht entwickelt · wir haben es in den GitHub-Trends gefunden und stellen es vor. Diese Seite beschreibt das Repository so, wie es am 2026-06-18 war: Die Anzahl der Sterne und unser Text stammen von diesem Tag, das Repository kann sich seitdem geändert haben. Den aktuellen Stand finden Sie über den Link zum Repository. Diese Seite wurde maschinell übersetzt aus dem türkischen Original · maßgeblich ist die türkische Fassung.