Canonical: https://instain.ru/fr/ai/google-timesfm/ Language: fr Google Research Modèle de prévision des séries chronologiques # TimesFM. Prévisions concernant l’historique de la série et les vérifications effectuées 4.38 / 5 [Évaluation du catalogue](https://instain.ru/fr/ai/google-timesfm/#editorial-rating) [Site officiel ](https://github.com/google-research/timesfm) Le modèle obtient les valeurs historiques d'une série et construit une prévision sur l'horizon choisi. Pour certaines versions, le travail avec des signes et des quantiles supplémentaires est documenté. ![Google Research avec des exemples de prévisions TimesFM](https://instain.ru/assets/images/google-timesfm-screen-90f5458337c2-1200.webp) Google Research avec des exemples de prévisions TimesFM. [Ouvrir la source ](https://github.com/google-research/timesfm) ## Quelles informations étaient connues le jour de la prédiction Pour les prévisions de ventes hebdomadaires, le calendrier des vacances, que le magasin connaissait à l'avance, est utile. Et le rapport final sur l'action future dans les prévisions précédentes ne peut pas être sous-estimé. TimesFM fait des prédictions sur l'histoire, et les versions individuelles acceptent également d'autres caractéristiques. Avant l'expérience, divisez-les en disponibles uniquement dans le passé et connus à travers l'horizon. C'est plus important que la configuration du modèle, car une fuite cachée des valeurs futures rendra l'évaluation trop optimiste. ## Formation à plusieurs dates Prenez une série de ventes quotidiennes et fixez quelques dates passées auxquelles vous devez reproduire la prévision. Pour chaque date, coupez toutes les ventes suivantes et gardez l'horizon identique. Comparez le résultat de TimesFM avec le même jour de la semaine précédente. Ensuite, vérifiez si l'ajout d'un calendrier connu modifie l'erreur séparément pour les semaines et les périodes de vacances normales. ## L'intervalle est nécessaire pour résoudre Si la version utilisée renvoie des quantiles, regardez à quelle fréquence les valeurs observées tombent entre les bornes choisies. Un intervalle trop large peut inclure presque tous les jours sans beaucoup aider à prévoir les stocks. Vérifiez si la dispersion augmente en présence de valeurs manquantes ou de variations brusques de la demande. Conservez la version des poids, la méthode de traitement des valeurs manquantes et la date de coupure. Chaque nouvel essai doit utiliser les mêmes informations que celles disponibles au moment de chaque test. Notez séparément les périodes où le calendrier n'a rien apporté. ## Pour quelles tâches convient-il - Comparer les prévisions de ventes hebdomadaires sur plusieurs dates passées - Vérifier l'effet d'un calendrier prédéfini Fonctionnalités ## Les points forts - Des poids préentraînés sont disponibles - La documentation contient des options de prévision et des exemples de travail avec les signes Il faut prendre en compte ## Limites - Les signes de l'avenir faussent le résultat de la vérification - La précision et les intervalles doivent être vérifiés dans leur série ## Choix et conditions Mode gratuit Oui Période d'essai Non confirmé Sans inscription Non confirmé Interface en russe Non confirmé Installation locale Oui API Non confirmé « Non confirmé » signifie que les informations disponibles ne suffisent pas. La fonctionnalité peut exister ; vérifiez les conditions du développeur. Formats d’entrée Données Résultat Données ### Conditions Le code et les poids sont disponibles selon les conditions des publications correspondantes de Google. L'exécution locale exige des ressources de calcul. Des variables fondées sur des informations futures faussent l'évaluation. De la tâche au premier résultat ## Exemple pratique Tâche Comparer les prévisions de ventes hebdomadaires sur plusieurs dates passées Que préparer La série de jours de ventes et le calendrier des vacances connus à la date de prévision. ### Consigne ou requête Créez une prévision hebdomadaire pour plusieurs dates passées en utilisant uniquement les informations disponibles pour chaque date. ### Résultat attendu Tableau des prévisions et des faits avec une erreur, des intervalles et un point de référence saisonnier simple. ### Comment vérifier le résultat - Vérifiez qu'il n'y a pas de données futures dans la connexion. - Comparez séparément les semaines et les périodes d'actions normales. Cet exemple pédagogique préparé par la rédaction décrit une tâche ; il ne présente pas le résultat d’un test personnel du service. Vérifiez la disponibilité du mode requis, les droits sur les fichiers d’origine et les conditions d’utilisation du résultat. Vérifier les détails ## Sources officielles - [Le dépôt officiel de Google Research ](https://github.com/google-research/timesfm) - [Carte de pesée TimesFM ](https://huggingface.co/google/timesfm-3.0-pytorch) La description est faite à partir des matériaux du développeur. Les fonctionnalités, les prix et la disponibilité peuvent varier; vérifiez la source avant de l'utiliser. En bref sur l'outil Développeur Google Research Catégorie [Code](https://instain.ru/fr/category/code/) Accès Pour une utilisation locale, sélectionnez des poids, un environnement compatible et des données dont la fréquence d'observation est connue. L'interface varie selon la version du modèle. Paiement Le code et les poids sont disponibles selon les conditions des publications correspondantes de Google. L'exécution locale exige des ressources de calcul. API API non spécifiée [Termes du développeur ](https://huggingface.co/google/timesfm-3.0-pytorch) Évaluation du catalogue 4.38 / 5 Fonctionnalités 4.50 / 5 Scénarios de travail 4.20 / 5 Écosystème 4.30 / 5 Documentation 4.50 / 5 Les points sont le repère du catalogue. Ce ne sont pas des commentaires d'utilisateurs ou le résultat de tests personnels. [Voir la méthodologie ](https://instain.ru/fr/methodology/) Poursuivre la découverte ## Pour des tâches similaires [Toute la catégorie ](https://instain.ru/fr/category/code/) Code ### [Amazon Chronos](https://instain.ru/fr/ai/amazon-chronos/) Modèles ouverts Amazon Science pour les séries numériques 4.30 / 5 Modèle de prévision des séries chronologiques Tâches similaires ; comparez les conditions, les formats et les limites