使用场景

金融领域：预测股票价格、汇率等金融时间序列数据，帮助投资者做出更明智的决策。

气象领域：预测气温、降雨量等气象数据，为气象预报提供支持。

能源领域：预测电力需求、能源消耗等数据，帮助能源公司进行资源规划。

产品特色

支持单变量时间序列预测，可处理长达2048个时间点的上下文。

提供10个分位数头，用于生成预测的不确定性估计。

能够处理不同频率的时间序列数据，包括高、中、低频。

通过PyTorch实现，易于与现有的PyTorch工作流程集成。

提供API支持，可以从数组输入或pandas DataFrame进行预测。

使用教程

1. 访问Hugging Face模型页面，下载TimesFM模型。

2. 安装timesfm库，按照GitHub上的说明进行操作。

3. 导入timesfm库，并初始化模型，加载预训练的checkpoint。

4. 准备时间序列数据，确保数据格式符合模型要求。

5. 使用tfm.forecast()或tfm.forecast_on_df()方法进行预测。

6. 分析预测结果，根据需要进行后续处理。