TimesFM
时序预测大模型，参数量达数十亿级别，对算力要求较高
时间轴 (近 90 天)
代表性的时间序列基础模型包括 Google 的 TimesFM、Amazon 的 Chronos 和 Salesforce 的 Moirai
TimesFM借鉴大语言模型的预训练+零样本推理范式，预训练后可直接对未见过的时间序列进行预测，无需针对性训练
TimesFM的patch机制将计算复杂度从O(n²)降至O(p²)，其中p为patch数量
TimesFM采用decoder-only的Transformer架构，与GPT系列模型设计理念一致
根据谷歌研究院论文，TimesFM的预训练数据规模达到约1000亿个时间点
TimesFM不仅支持点预测，还支持概率预测（输出预测分布的分位数）
TimesFM以Python实现并在GitHub上开源发布，提供源码与预训练权重
TimesFM同时提供基于JAX和PyTorch两种深度学习框架的实现
patch-based输入方式借鉴了Vision Transformer将图像切分为patch的思路
TimesFM完全以Python实现,并以开源方式在GitHub上发布
还有 6 条时间轴事件
全部知识事实 (16)
代表性的时间序列基础模型包括 Google 的 TimesFM、Amazon 的 Chronos 和 Salesforce 的 Moirai
50%待验证TimesFM借鉴大语言模型的预训练+零样本推理范式，预训练后可直接对未见过的时间序列进行预测，无需针对性训练
50%待验证TimesFM的patch机制将计算复杂度从O(n²)降至O(p²)，其中p为patch数量
50%待验证TimesFM采用decoder-only的Transformer架构，与GPT系列模型设计理念一致
50%待验证根据谷歌研究院论文，TimesFM的预训练数据规模达到约1000亿个时间点
50%待验证TimesFM不仅支持点预测，还支持概率预测（输出预测分布的分位数）
50%待验证TimesFM以Python实现并在GitHub上开源发布，提供源码与预训练权重
50%待验证TimesFM同时提供基于JAX和PyTorch两种深度学习框架的实现
50%待验证patch-based输入方式借鉴了Vision Transformer将图像切分为patch的思路
50%待验证TimesFM完全以Python实现,并以开源方式在GitHub上发布
50%待验证TimesFM在近期保持着单日超过340颗星的增长势头
50%待验证TimesFM具备零样本预测能力,可直接对未见过的时间序列进行预测而无需微调
50%待验证TimesFM在数千个不同领域、不同频率、不同模式的时间序列数据集上完成了预训练
50%待验证TimesFM在GitHub上已累积超过30,500颗星标、近2,900次分叉
50%待验证谷歌官方披露TimesFM在200B时间点数据上进行预训练，覆盖金融、零售、能源、医疗等多个领域
50%待验证TimesFM采用patch-based tokenization，将连续若干时间步打包为一个patch作为单个token处理，类似于ViT的图像切块策略
50%