timesfm-2.0-500m-pytorch
קוד פתוחgoogleapache-2.02024-12-24
מודל חיזוי לסדרות עתיות של גוגל שמגיע מאומן מראש ומפיק תחזיות בלי אימון ייעודי. הוא חוסך בניית מודלים סטטיסטיים נפרדים לכל מדד ומקבל ישירות מערכים או דאטהפריימים.
- 499Mפרמטרים
- 3.7 GBמשקל הקבצים
- 74,148הורדות בחודש
- 263לייקים
מה זה
המודל פותח על ידי Google Research כבסיס לחיזוי סדרות עתיות במשתנה בודד. במקום לאמן מודל סטטיסטי ספציפי עבור כל סדרת נתונים, מקבלים כאן רשת מבוססת דקודר בלבד עם 50 שכבות וקרוב לחצי מיליארד פרמטרים. היא תומכת בהקשר של עד 2048 נקודות זמן ויכולה לחזות כל טווח עתידי שתבקשו, אם כי היוצרים ממליצים שהטווח הנחזה לא יעלה על אורך ההקשר שהזנתם.
בניגוד לכלים שדורשים הגדרות מורכבות של עונתיות, הקלט כאן פשוט למדי. אתם מעבירים סדרת נקודות רציפה ומציינים חיווי תדר בסיסי שמחולק לשלוש רמות: תדר גבוה לנתונים יומיים ומטה, בינוני לנתונים שבועיים או חודשיים, ונמוך לנתונים רבעוניים ושנתיים ומעלה. הנתונים שעליהם אומנה הגרסה הזו כוללים את מאגר האימון המקורי בתוספת נתונים ממאגר LOTSA, שמכיל מידע מתעבורת שרתי אז'ור, אשכולות בורג של גוגל, נתוני מזג אוויר ומוני חשמל.
המודל מפיק בעיקר תחזית נקודתית יחידה. יש לו עשרה ראשי חיזוי הסתברותיים שמחזירים אחוזונים, אבל המפתחים מדגישים שהם לא עברו כיול אחרי האימון המקדים, כך שאי אפשר להסתמך עליהם ישירות להערכת אי ודאות בייצור.
מתאים ל
- חיזוי עומסים בתשתיות ענן
צפי דרישות זיכרון ומעבד בשרתים על בסיס דפוסי שימוש היסטוריים, תחום שהמודל ראה רבות בדאטהסט האימון.
- תכנון צריכת חשמל ואנרגיה
חיזוי תפוקת פאנלים סולאריים או עומסי רשת לפי נקודות זמן קודמות ברזולוציה יומית ושעתית.
- ניתוח מגמות מכירות חודשי
קבלת הערכה עתידית לנפח מכירות ברמת חודש או רבעון ישירות מטבלת נתונים, ללא אימון מודל ייעודי.
איפה זה נופל
המודל מוגבל למשתנה יחיד, מה שאומר שהוא מתעלם ממשתנים חיצוניים כמו מבצעים, חגים או מחירים של מוצרים מתחרים שיכולים להשפיע על התוצאה. הוא דורש רצף זמנים אחיד ללא חורים, וכשיש ערכים חסרים הספרייה נאלצת לבצע אינטרפולציה ליניארית פשוטה שעלולה לעוות את הנתון. בנוסף, ראשי האחוזונים לא מכוילים, כך שמי שחייב מרווחי סמך מדויקים לניהול סיכונים לא יקבל אותם כאן מהקופסה. כמו כן, גוגל מצהירה מפורשות שלא מדובר במוצר שנתמך רשמית על ידה.
שאלות
נפוצות
האם אפשר להזין למודל משתנים נוספים חוץ מהסדרה עצמה?
לא. המודל תומך בחיזוי חד־משתני בלבד ומקבל רק את ערכי הסדרה ואת חיווי התדר שלה. אם יש לכם נתונים חיצוניים שמשפיעים על המדד, כמו טמפרטורה שמשפיעה על צריכת חשמל, המודל הזה לא ידע לקחת אותם בחשבון.
מה קורה אם חסרות לי נקודות זמן ברצף?
המודל מניח שהקלט רציף ואינו מכיל פערים. אם יש ערכים חסרים מסוג NaN, הספרייה מבצעת השלמה אוטומטית באמצעות אינטרפולציה ליניארית לפני שהמידע נשלח לרשת, אך אם מדובר בפערים גדולים מומלץ לנקות ולהשלים את הנתונים בעצמכם מראש.
איך מריצים
כדי להריץ אותו צריך להתקין את ספריית timesfm מגיטהאב ולהעלות את הקבצים, ששוקלים כ־3.7 ג'יגה בייט בפורמט float32. עם גודל של חצי מיליארד פרמטרים, אפשר לטעון אותו על מעבד גרפי סטנדרטי עם זיכרון צנוע או אפילו על מעבד מרכזי בלי בעיה מיוחדת, אם קצב הדגימה לא דורש מילישניות בודדות.
הקריאה מתבצעת ישירות מתוך פייתון בעזרת מערכי נאמפיי או דאטהפריים של פנדס. אם אתם מעבדים מעט סדרות בזמנים קבועים, הרצה מקומית על שרת קיים תהיה פשוטה וזולה יותר מהקמת שירות ייעודי, אבל לעומסי ענק עם מיליוני מדדים במקביל תצטרכו לנהל אצווה וחלוקה לליבות דרך הפרמטרים הייעודיים של הספרייה.
pip install -U huggingface_hub hf download google/timesfm-2.0-500m-pytorch
הקבצים
5 קבצים במאגר, 3.7 GB סך הכול. הקישורים מובילים ישירות ל־Hugging Face.
הרישיון
הרישיון הוא Apache 2.0. מותר להשתמש בו לצרכים מסחריים, לשנות את הקוד ולהפיץ אותו בתוך מוצרים סגורים. התנאים דורשים שמירה על הצהרת זכויות היוצרים וציון השינויים שנעשו, בלי תשלום תמלוגים ובלי לפתוח את הקוד שלכם.
- שימוש מסחרי
- שינוי הקוד
- הפצה מחדש
- שימוש בפטנטים