Prévisions IA pour les séries chronologiques
Le modèle Time Series Foundation, développé par Google Research, offre une structure pré-entraînée pour la prévision de séries chronologiques. Le modèle est conçu pour fournir des capacités prédictives générales sur différents ensembles de données.
Mises à jour
- 8 septembre 2026: Étoiles 30,360 → 31,902, dernière version v3.0.0 (28 août 2026).
- 3 septembre 2026: Étoiles 28,335 → 30,360, dernière version v3.0.0 (28 août 2026).
- 31 août 2026: Étoiles 27,185 → 28,335, dernière version v3.0.0 (28 août 2026).
- 2 août 2026: Étoiles 22,167 → 27,185, dernière version v2.0.2 (2 juillet 2026).
Ce que ça vous apporte
- Prédiction rapide avec un modèle de base pré-entraîné
- Prise en charge de la longueur du contexte 16 000
- Adaptation à différents ensembles de données avec une structure flexible
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 timesfmSi vous ne codez pas
Je souhaite effectuer des prévisions de séries chronologiques à l'aide de la bibliothèque TimesFM. Comment configurer la structure des paramètres 200M avec la version 2.5 de ce modèle de base développé par Google ? Comment dois-je déterminer les valeurs max_context et max_horizon, en particulier pendant la phase de compilation du modèle, et dans quel format dois-je fournir des données d'entrée à la fonction de prévision ? Pouvez-vous expliquer avec un exemple de structure de code ?
Termes liés du glossaire
Liens
TreScout n'a pas développé cet outil · nous l'avons repéré dans les tendances GitHub et présenté. Cette page décrit le dépôt tel qu'il était le 2026-06-18 : Le nombre d'étoiles et notre texte datent de ce jour, le dépôt a pu changer depuis. Consultez le lien du dépôt pour l'état actuel. Cette page a été traduite automatiquement depuis l’original turc · la version turque fait foi.