Архитектура и ключевые возможности
Модель TimesFM 2.5-200M (200 миллионов параметров) позиционируется как решение для end-to-end прогнозирования. В отличие от предыдущих версий, новая архитектура поддерживает:
- Интеграцию ковариат (XReg): Возможность учитывать внешние факторы, такие как цены, промо-акции, праздники и температура, что критично для ритейла и энергетики.
- Вероятностное прогнозирование: Генерация не только точечных прогнозов, но и квантилей (q10–q90) с фиксацией пересечений интервалов (fix_quantile_crossing).
- Обнаружение аномалий: Встроенные механизмы фильтрации шумов и выбросов во входных данных.
Результаты бенчмарков
В ходе тестирования на синтетическом наборе данных розничной торговли (1200 дней, 5 магазинов, влияние сезонности и цен) TimesFM 2.5 продемонстрировала стабильное превосходство над базовыми стратегиями (Seasonal Naive и Last Value). Ниже приведены сравнительные метрики для горизонта прогноза 56 дней:
| Метрика | TimesFM 2.5 | Seasonal Naive | Last Value |
|---|---|---|---|
| MAE (Средняя абсолютная ошибка) | 12.4 | 14.8 | 18.2 |
| sMAPE % (Симметричная MAPE) | 4.2% | 5.9% | 7.1% |
| MASE (Масштабированная ошибка) | 0.85 | 1.02 | 1.25 |
| Pinball Loss (Квантильная потеря) | 0.031 | 0.045 | 0.052 |
Технические детали и производительность
Модель оптимизирована для работы на GPU (CUDA) с использованием PyTorch. Ключевые параметры конфигурации включают:
- Max Context: 1024 шага (история).
- Max Horizon: 256 шагов (горизонт прогноза).
- Batch Size: 16 на ядро (настраивается для масштабируемости).
Разработчики отмечают, что модель сохраняет высокую точность даже при сокращении длины входной последовательности (context-length sensitivity), что позволяет эффективно работать с новыми товарами или магазинами без долгой истории данных (zero-shot learning).
Практическое применение
TimesFM 2.5 доступна для развертывания в Google Colab и локальных средах. Код позволяет легко интегрировать модель в существующие пайплайны данных, поддерживая пакетный вывод (batched inference) и backtesting (rolling-origin). Это делает инструмент пригодным для промышленного использования в задачах управления запасами, планирования спроса и анализа финансовых временных рядов.
Источник: MarkTechPost ↗