谷歌发布了针对时间序列预测的预训练模型TimesFM 2.0，这是一个重大更新，旨在提高预测精度并促进人工智能领域的发展。TimesFM 2.0通过开源共享，方便研究者和开发者使用。该模型能够处理高达2048个时间点的单变量时间序列，支持任意预测时间跨度，并具备强大的预测能力。其训练数据涵盖多个领域，例如能源、交通等，为模型提供了丰富的学习基础。TimesFM 2.0的出现，将显著提升时间序列预测的效率和准确性，为各行各业提供更强大的数据分析工具。
TimesFM2.0模型具备强大的功能，能够处理高达2048个时间点的单变量时间序列预测，且支持任意预测时间跨度。
值得注意的是，尽管模型的训练最大上下文长度为2048，但在实际应用中，可以处理更长的上下文。模型专注于点预测，同时实验性地提供了10个分位头，但这些在预训练后尚未经过校准。
在数据预训练方面，TimesFM2.0包含了多个数据集的组合，包括了 TimesFM1.0的预训练集以及来自 LOTSA 的附加数据集。这些数据集涵盖了多个领域，例如住宅用电负荷、太阳能发电、交通流量等，为模型的训练提供了丰富的基础。
通过 TimesFM2.0，用户能够更轻松地进行时间序列预测，推动各类应用的发展，包括零售业销量、股票走势、网站流量等场景、环境监测和智能交通等领域。
模型入口:https://huggingface.co/google/timesfm-2.0-500m-pytorch
划重点:
TimesFM2.0是谷歌推出的全新时序预测模型，专注于提升时间序列预测的准确性。
模型支持高达2048个时间点的预测，并能够处理任意预测时间跨度。
用户可以根据不同的时间序列特征，自由选择预测频率，提高预测的灵活性。
总而言之，TimesFM 2.0 凭借其强大的功能和易用性，将为时间序列预测领域带来新的突破，并广泛应用于各个行业。 期待其在未来的发展和应用。