谷歌研究团队最近推出了TimesFM 2.0（时间基础模型），这是一个专为时间序列预测设计的预训练模型。该模型旨在通过开源和科学分享来提高时间序列预测的准确性，并促进人工智能的发展。
TimesFM 2.0 是一个强大的模型，能够处理多达 2048 个时间点的一维时间序列预测，并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，但在实际应用中它可以处理更长的上下文。该模型专注于点预测，并实验性地提供了 10 个分位数头，但这些在预训练后尚未校准。
在数据预训练方面，TimesFM 2.0 包含了多个数据集的组合，包括 TimesFM 1.0 的预训练集以及 LOTSA 的额外数据集。这些数据集涵盖了住宅电力负荷、太阳能发电、交通流量等多个领域，为模型训练提供了丰富的基础。
借助 TimesFM 2.0，用户可以更轻松地进行时间序列预测，从而推动零售销售、股票趋势、网站流量、环境监测和智能交通等各个领域的应用。
模型链接：https://huggingface.co/google/timesfm-2.0-500m-pytorch
总结：本文介绍了谷歌最新推出的 TimesFM 2.0 时间序列预测模型。该模型通过开源和科学分享的方式提高了时间序列预测的准确性，并支持处理长达 2048 个时间点的数据。它适用于多种应用场景，如零售销售、股票趋势分析等。关键点：
🌟 TimesFM 2.0 是谷歌推出的新时间序列预测模型，旨在提高时间序列预测的准确性。
🔧 模型支持多达 2048 个时间点的预测，并能处理任意预测时间跨度。
📊 用户可以根据不同时间序列的特点自由选择预测频率，增强预测灵活性。
