谷歌开源了时间序列预测模型TimesFM的权重，TimesFM仅2亿参数，基于1000 亿个现实世界时间点的时间序列语料库进行训练，实现了目前的最佳效果。
时间序列预测在零售、金融、制造、医疗保健和自然科学等各个领域普遍存在。例如，在零售用例中，人们发现提高需求预测准确性可以有效降低库存成本并增加收入。深度学习 (DL) 模型已成为预测丰富、多元、时间序列数据的流行方法，因为它们已被证明在各种设置中都表现良好（例如，DL 模型在 M5 竞赛中表现良好）。
TimesFM 的推出代表了时间序列预测的一个重要里程碑。其独特的架构具有修补解码器注意机制和仅解码器训练，有助于其卓越的零样本预测性能。通过对广泛的合成数据和真实世界数据进行训练，TimesFM 展示了大型预训练模型在准确、高效的时间序列预测方面的潜力。
TimesFM的优势
准确预测：TimesFM 对大型时间序列语料库进行预训练，使其能够捕获有价值的时间模式，从而对以前未见过的数据集进行准确预测。
效率：模型的参数大小和预训练数据要求进行了优化，使其比现有模型更加高效。
泛化：TimesFM 在多个数据集上的表现优于专业基线，展示了其泛化和适应不同时间序列场景的能力。
减少数据需求：利用大量数据进行预训练，减少了对大量训练数据的需求，使 TimesFM 成为一种经济高效的解决方案。
TimesFM的应用
TimesFM 的引入为时间序列预测领域的未来研究和应用开辟了令人兴奋的可能性。通过利用大型预训练模型的力量，研究人员和从业者可以探索新的方法来应对各个领域的预测挑战。
异常检测：TimesFM 可用于检测时间序列数据中的异常，帮助识别异常模式和潜在问题。
需求预测：零售和电子商务等行业可以受益于 TimesFM 的准确预测，以优化库存管理并满足客户需求。
财务预测：金融机构可以利用 TimesFM 预测股票价格、汇率和其他财务指标，协助做出明智的决策和风险管理。
能源优化：TimesFM 的预测功能可用于优化能源消耗和生产，从而更有效地利用可再生能源。
总之，Google Research 引入 TimesFM 代表了时间序列预测领域的突破性进步。TimesFM能够从包含 1000 亿个现实世界时间点的大型预训练语料库中学习时间模式，为准确性和效率树立了新标准。凭借其独特的架构和卓越的零样本性能，TimesFM 为时间序列预测的未来创新铺平了道路，为各个行业开辟了新的机遇。
TimesFM Github：https://github.com/google-research/timesfm
TimesFM 模型：https://huggingface.co/google/timesfm-1.0-200m
