Previsión de IA para series temporales
El Time Series Foundation Model, desarrollado por Google Research, ofrece una estructura previamente entrenada para el pronóstico de series de tiempo. El modelo está diseñado para proporcionar capacidades predictivas generales en diferentes conjuntos de datos.
Actualizaciones
- 8 de septiembre de 2026: Estrellas 30,360 → 31,902, última versión v3.0.0 (28 de agosto de 2026).
- 3 de septiembre de 2026: Estrellas 28,335 → 30,360, última versión v3.0.0 (28 de agosto de 2026).
- 31 de agosto de 2026: Estrellas 27,185 → 28,335, última versión v3.0.0 (28 de agosto de 2026).
- 2 de agosto de 2026: Estrellas 22,167 → 27,185, última versión v2.0.2 (2 de julio de 2026).
Qué aporta
- Predicción rápida con modelo base previamente entrenado
- Soporte de longitud de contexto de 16k
- Adaptación a diferentes conjuntos de datos con estructura flexible.
Instalación
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 timesfmSi no programa
Quiero hacer pronósticos de series de tiempo usando la biblioteca TimesFM. ¿Cómo puedo configurar la estructura de parámetros del 200M con la versión 2.5 de este modelo básico desarrollado por Google? ¿Cómo debo determinar los valores de max_context y max_horizon, especialmente durante la fase de compilación del modelo, y en qué formato debo proporcionar datos de entrada a la función de pronóstico? ¿Puedes explicarlo con una estructura de código de ejemplo?
Términos relacionados del glosario
Enlaces
TreScout no desarrolló esta herramienta · la encontramos en las tendencias de GitHub y la presentamos. Esta página describe el repositorio tal como estaba el 2026-06-18: El número de estrellas y nuestro texto son de ese día, el repositorio puede haber cambiado desde entonces. Consulte el enlace del repositorio para ver el estado actual. Esta página se tradujo automáticamente del original en turco · prevalece la versión turca.