企业官网建设流程全解析

赣榆县建设局网站,厦门建设工程招标中心的网站,想建立一个网站,用帝国做的网站只收录首页引言 在时间序列预测领域#xff0c;拥有高效、精准的模型至关重要。谷歌研究团队开发的TimesFM#xff08;Time Series Foundation Model#xff09;作为一款预训练的时间序列基础模型#xff0c;为这一领域带来了新的解决方案。接下来#xff0c;我们将深入了解这个备受…引言在时间序列预测领域拥有高效、精准的模型至关重要。谷歌研究团队开发的TimesFMTime Series Foundation Model作为一款预训练的时间序列基础模型为这一领域带来了新的解决方案。接下来我们将深入了解这个备受关注的项目。项目简介TimesFM是谷歌研究团队推出的用于时间序列预测的预训练基础模型相关论文发表于ICML 2024。其所有检查点可在TimesFM Hugging Face Collection中获取还有谷歌研究博客对其进行介绍同时也有官方谷歌产品TimesFM in BigQuery。需要注意的是这个开源版本并非谷歌官方支持的产品。目前最新的模型版本是TimesFM 2.5而1.0和2.0版本的相关代码已归档在子目录“v1”可通过安装timesfm1.3.0版本的包来加载使用。此外2025年10月29日更新中TimesFM 2.5通过XReg恢复了协变量支持。创新点与核心优势TimesFM 2.5版本相比2.0版本有诸多创新和优势。在参数方面它使用2亿个参数较2.0版本的5亿参数大幅减少更轻量化。上下文长度支持高达16k远超2.0版本的2048能处理更长的序列信息。同时该版本支持通过可选的3000万分位数头进行高达1k范围的连续分位数预测且不再需要“频率”指示器还新增了几个新的预测标志。这些改进使其在预测性能和灵活性上都有显著提升。技术代码原理与部署安装部署首先克隆存储库gitclone https://github.com/google-research/timesfm.gitcdtimesfm创建虚拟环境并使用uv安装依赖# 创建虚拟环境uv venv# 激活环境source.venv/bin/activate# 安装带torch的可编辑模式包uv pipinstall-e .[torch]# 或带flax的uv pipinstall-e .[flax]# 或需要XReg时uv pipinstall-e .[xreg]可选步骤根据操作系统和加速器CPU、GPU、TPU或Apple Silicon安装首选的torch/jax后端可参考PyTorch和Jax的官方安装指南。代码示例使用时可参考以下代码示例。先导入相关库设置torch的浮点数矩阵乘法精度然后从预训练模型加载TimesFM 2.5 200M的torch版本通过编译配置 ForecastConfig再调用forecast方法进行预测得到点预测和分位数预测结果。importtorchimportnumpyasnpimporttimesfm torch.set_float32_matmul_precision(high)modeltimesfm.TimesFM_2p5_200M_torch.from_pretrained(google/timesfm-2.5-200m-pytorch)model.compile(timesfm.ForecastConfig(max_context1024,max_horizon256,normalize_inputsTrue,use_continuous_quantile_headTrue,force_flip_invarianceTrue,infer_is_positiveTrue,fix_quantile_crossingTrue,))point_forecast,quantile_forecastmodel.forecast(horizon12,inputs[np.linspace(0,1,100),np.sin(np.linspace(0,20,67)),],# 两个虚拟输入)point_forecast.shape# (2, 12)quantile_forecast.shape# (2, 12, 10): 均值然后是第10到90分位数。该项目及相关内容已在AladdinEdu课题广场同步发布欢迎前往了解更多技术实现与资源。项目地址AladdinEdu课题广场