أصدرت Google TimesFM 2.0، وهو نموذج تم تدريبه مسبقًا للتنبؤ بالسلاسل الزمنية، وهو تحديث رئيسي مصمم لتحسين دقة التنبؤ وتعزيز مجال الذكاء الاصطناعي. تتم مشاركة TimesFM 2.0 من خلال مصدر مفتوح وهو ملائم للباحثين والمطورين لاستخدامه. يمكن للنموذج التعامل مع سلاسل زمنية أحادية المتغير تصل إلى 2048 نقطة زمنية، ويدعم أي نطاق زمني للتنبؤ، كما يتمتع بقدرات تنبؤ قوية. تغطي بيانات التدريب مجالات متعددة، مثل الطاقة والنقل وما إلى ذلك، مما يوفر أساسًا تعليميًا غنيًا للنموذج. سيؤدي ظهور TimesFM 2.0 إلى تحسين كفاءة ودقة التنبؤ بالسلاسل الزمنية بشكل كبير وتوفير أدوات أكثر قوة لتحليل البيانات لجميع مناحي الحياة.
يتمتع نموذج TimesFM2.0 بوظائف قوية ويمكنه التعامل مع تنبؤات السلاسل الزمنية أحادية المتغير حتى 2048 نقطة زمنية، ويدعم أي نطاق زمني للتنبؤ.
تجدر الإشارة إلى أنه على الرغم من تدريب النموذج بحد أقصى لطول السياق يبلغ 2048، إلا أنه في التطبيقات العملية، يمكن معالجة السياقات الأطول. يركز النموذج على التنبؤ بالنقاط، في حين يتم توفير 10 رؤوس كمية بشكل تجريبي، ولكن لم تتم معايرتها بعد التدريب المسبق.
فيما يتعلق بالتدريب المسبق للبيانات، يحتوي TimesFM2.0 على مجموعة من مجموعات البيانات المتعددة، بما في ذلك مجموعة التدريب المسبق لـ TimesFM1.0 ومجموعات البيانات الإضافية من LOTSA. تغطي مجموعات البيانات هذه مجالات متعددة، مثل حمل الكهرباء السكني، وتوليد الطاقة الشمسية، وتدفق حركة المرور، وما إلى ذلك، مما يوفر أساسًا غنيًا للتدريب النموذجي.
من خلال TimesFM2.0، يمكن للمستخدمين إجراء تنبؤات السلاسل الزمنية بسهولة أكبر وتعزيز تطوير التطبيقات المختلفة، بما في ذلك مبيعات التجزئة واتجاهات الأسهم وحركة مرور موقع الويب والسيناريوهات الأخرى والمراقبة البيئية والنقل الذكي وغيرها من المجالات.
مدخل النموذج: https://huggingface.co/google/timesfm-2.0-500m-pytorch
تسليط الضوء على:
TimesFM2.0 هو نموذج جديد للتنبؤ بالسلاسل الزمنية أطلقته Google، مع التركيز على تحسين دقة التنبؤ بالسلاسل الزمنية.
يدعم النموذج التنبؤات حتى 2048 نقطة زمنية ويمكنه التعامل مع أي فترة زمنية للتنبؤ.
يمكن للمستخدمين اختيار تردد التنبؤ بحرية بناءً على خصائص السلاسل الزمنية المختلفة لتحسين مرونة التنبؤ.
وبشكل عام، فإن TimesFM 2.0، بوظائفه القوية وسهولة استخدامه، سوف يحقق اختراقات جديدة في مجال التنبؤ بالسلاسل الزمنية وسيتم استخدامه على نطاق واسع في مختلف الصناعات. ونتطلع إلى تطويره وتطبيقه في المستقبل.