Previsão de IA para séries temporais
O modelo Time Series Foundation, desenvolvido pelo Google Research, oferece uma estrutura pré-treinada para previsão de séries temporais. O modelo foi projetado para fornecer recursos preditivos gerais em diferentes conjuntos de dados.
Atualizações
- 8 de setembro de 2026: Estrelas 30,360 → 31,902, versão mais recente v3.0.0 (28 de agosto de 2026).
- 3 de setembro de 2026: Estrelas 28,335 → 30,360, versão mais recente v3.0.0 (28 de agosto de 2026).
- 31 de agosto de 2026: Estrelas 27,185 → 28,335, versão mais recente v3.0.0 (28 de agosto de 2026).
- 2 de agosto de 2026: Estrelas 22,167 → 27,185, versão mais recente v2.0.2 (2 de julho de 2026).
O que você ganha
- Previsão rápida com modelo base pré-treinado
- Suporte para comprimento de contexto de 16k
- Adaptação a diferentes conjuntos de dados com estrutura flexível
Instalação
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 timesfmSe você não programa
Quero fazer previsões de séries temporais usando a biblioteca TimesFM. Como posso configurar a estrutura de parâmetros 200M com a versão 2.5 deste modelo básico desenvolvido pelo Google? Como devo determinar os valores max_context e max_horizon, especialmente durante a fase de compilação do modelo, e em que formato devo fornecer entrada de dados para a função de previsão? Você pode explicar com um exemplo de estrutura de código?
Termos relacionados do glossário
Links
A TreScout não desenvolveu esta ferramenta · nós a encontramos nas tendências do GitHub e a apresentamos. Esta página descreve o repositório em 2026-06-18: A contagem de estrelas e o nosso texto são daquele dia, o repositório pode ter mudado desde então. Consulte o link do repositório para ver o estado atual. Esta página foi traduzida automaticamente do original em turco · a versão turca é a que vale.