Google präsentiert TimesFM 2.0: Neue Maßstäbe in der Zeitreihenprognose

Google veröffentlicht TimesFM 2.0: Fortschritte im Bereich der Zeitreihenprognose

Google hat die neueste Version seines Foundation Models für Zeitreihenprognosen, TimesFM 2.0, veröffentlicht. Das Modell ist ab sofort über Hugging Face sowohl in JAX als auch in PyTorch verfügbar und verspricht signifikante Verbesserungen in der Genauigkeit und der maximalen Kontextlänge im Vergleich zur Vorgängerversion.

Verbesserte Genauigkeit und Kontextlänge

TimesFM 2.0 setzt neue Maßstäbe in der Zeitreihenprognose. Laut Google führt das Modell die GIFT-Eval-Rangliste in Bezug auf Punkt- und probabilistische Prognosegenauigkeit an. Die erweiterte Kontextlänge ermöglicht es dem Modell, längere Zeitreihen zu verarbeiten und somit komplexere Muster und Abhängigkeiten zu erkennen. Dies ist besonders relevant für Anwendungen, die von langfristigen Prognosen abhängig sind.

Architektur und Funktionsweise

Ähnlich wie große Sprachmodelle basiert TimesFM auf einer Decoder-only Transformer-Architektur. Zeitreihenabschnitte, sogenannte "Patches", werden analog zu Tokens in Sprachmodellen behandelt. Das Modell verarbeitet diese Patches sequenziell und nutzt dabei den Kontext vergangener Daten, um zukünftige Werte vorherzusagen. Ein entscheidender Unterschied zu Sprachmodellen liegt in der Verarbeitung der Eingabedaten. TimesFM verwendet mehrschichtige Perzeptron-Blöcke, um die Zeitreihen-Patches in geeignete Token für die Transformer-Schichten umzuwandeln. Zusätzlich werden Positionskodierungen verwendet, um die zeitliche Reihenfolge der Daten zu berücksichtigen.

Flexibilität und Anwendungsbereiche

TimesFM 2.0 bietet eine hohe Flexibilität in Bezug auf Kontext- und Horizontlänge. Das Modell kann Zeitreihen mit unterschiedlichen Granularitäten verarbeiten, von hochfrequenten Daten bis hin zu jährlichen Werten. Die Frequenz der Daten wird dem Modell als kategorialer Indikator übergeben. Google empfiehlt spezifische Kategorien für unterschiedliche Frequenzbereiche, betont jedoch, dass diese auch als freier Parameter angepasst werden können, um den individuellen Anforderungen der Anwendung gerecht zu werden.

Praktische Anwendung mit JAX und PyTorch

Die Veröffentlichung von TimesFM 2.0 in JAX und PyTorch erleichtert die Integration des Modells in bestehende Machine-Learning-Workflows. Hugging Face bietet detaillierte Anleitungen zur Installation und Verwendung des Modells. Entwickler können das Modell direkt über die bereitgestellten APIs verwenden und sowohl Array-Eingaben als auch Pandas DataFrames verarbeiten. Die Dokumentation enthält Codebeispiele für verschiedene Anwendungsfälle, die den Einstieg in die Nutzung von TimesFM 2.0 vereinfachen.

Ausblick und Bedeutung für Mindverse

Die Veröffentlichung von TimesFM 2.0 unterstreicht die wachsende Bedeutung von Foundation Models für die Zeitreihenprognose. Die verbesserte Genauigkeit und Flexibilität des Modells eröffnen neue Möglichkeiten für Unternehmen und Entwickler. Für Mindverse als Anbieter von KI-gestützten Content-Tools bietet TimesFM 2.0 das Potenzial, die Funktionalität der Plattform zu erweitern und Kunden noch leistungsfähigere Lösungen für die Analyse und Prognose von Zeitreihendaten anzubieten.

Bibliographie: - https://x.com/GoogleAI/status/1877811801984757857 - https://huggingface.co/google/timesfm-2.0-500m-jax - https://huggingface.co/collections/google/timesfm-release-66e4be5fdb56e960c1e482a6 - https://github.com/google-research/timesfm/issues - https://huggingface.co/google/timesfm-2.0-500m-pytorch/tree/main - https://research.google/blog/a-decoder-only-foundation-model-for-time-series-forecasting/ - https://github.com/huggingface/transformers - https://huggingface.co/google/timesfm-1.0-200m-pytorch