KDnuggets
·
你可能错过的五种时间序列基础模型
💡
原文英文，约900词，阅读约需4分钟。
📝
内容提要
基础模型不仅限于ChatGPT，预训练模型在计算机视觉和自然语言处理领域已有应用。现在，这种方法正在重塑时间序列预测，通过在大规模时间数据上预训练，提供强大的零-shot预测能力。文章介绍了五种时间序列基础模型，包括Chronos-2、TiRex、TimesFM、IBM Granite TTM R2和Toto Open Base 1，强调它们在多变量预测中的优势和应用场景。
🎯
关键要点
- 基础模型不仅限于ChatGPT，预训练模型在计算机视觉和自然语言处理领域已有应用。
- 时间序列预测正在通过在大规模时间数据上预训练而重塑，提供强大的零-shot预测能力。
- 文章介绍了五种时间序列基础模型，包括Chronos-2、TiRex、TimesFM、IBM Granite TTM R2和Toto Open Base 1。
- Chronos-2是一个120M参数的编码器模型，支持单变量和多变量预测，提供准确的多步概率预测。
- TiRex是一个35M参数的预训练模型，基于xLSTM，适用于长短期零-shot预测。
- TimesFM是一个由Google Research开发的500M参数解码器模型，专注于单变量预测，支持长历史上下文。
- IBM Granite TTM R2是一个紧凑的预训练模型系列，适用于多变量预测，模型大小从1M开始。
- Toto Open Base 1是一个解码器模型，专为多变量预测而设计，优化高维稀疏数据的处理。
- 文章总结了这些模型的核心特征，包括模型大小、架构和预测能力。
➡️
