谷歌发布TimesFM 2.0：开源时间序列预测模型，助力零售销量与股票走势分析

近期，一家名为 TimesFM 的公司发布了其 TimesFM（时间序列预测模型）2.0 版本。据称，这是一个能够处理长时间跨度的时间序列预测任务的模型。相较于旧版本，该模型在长时间序列的预测能力上有所提升，为相关领域的研究者提供了新的选择。

TimesFM 2.0 模型着重提升了长序列的处理能力，能够处理长度达到 2048 个时间步的时间序列，并支持并行的时间序列预测。这一改进有助于提高处理长序列数据的效率。

值得关注的是，为了实现对长序列的支持，该模型在训练过程中使用了 2048 个时间步的上下文信息，这比以往的模型有了显著提升。据称，该模型能够在单个 GPU 上，以十分钟的平均预测时间完成训练，从而加快了模型的开发迭代速度。

在模型结构方面，TimesFM 2.0 借鉴了一种新型稀疏 Transformer 结构，相较于 TimesFM 1.0 使用的 LOTSA 结构，这种新结构在处理长序列数据时更加高效。该结构包含了一些关键组件，例如动态选择机制、高效注意力机制和频域信息处理等，使得该模型能够更好地捕捉时间序列中的复杂模式。

总的来说，TimesFM 2.0 在处理长时间序列预测任务方面表现出了一定的优势，它不仅提升了模型处理长序列数据的能力，还在训练效率和模型结构上进行了优化，使其能够更好地适应实际应用的需求。

模型地址：https://huggingface.co/google/timesfm-2.0-500m-pytorch

核心要点：

⭐ TimesFM2.0 是一种用于时间序列预测的模型，它特别适用于处理长时间跨度的时间序列数据。

🔥 该模型能够高效地处理长度高达 2048 个时间步的时间序列，并支持并行预测，从而提高了处理长序列数据的效率。

💡 该模型在训练过程中考虑了更长时间范围内的上下文信息，从而能够更准确地捕捉时间序列中的复杂关系。