Google Research hat das TimesFM-3 — Modell zur Vorhersage von Zeitreihen veröffentlicht, das nicht nur frühere Werte, sondern auch verbundene Daten und bereits bekannte Ereignisse berücksichtigt. Als Beispiele werden Aktienkurse und Wettervorhersagen genannt.
Das Modell mit 330 Millionen Parametern bildet alle zukünftigen Punkte der Zeitreihe in einem Durchgang, statt sie sequenziell vorherzusagen. Laut The Decoder reduziert dieser Ansatz die Rechenzeit und verringert die Fehlerakkumulation.
Der praktische Wert von TimesFM-3 hängt davon ab, wie genau es auf bestimmten Datensätzen und in verschiedenen Anwendungsfällen funktioniert. In der verfügbaren Quelle gibt es keine Ergebnisse unabhängiger Tests oder Details zur Veröffentlichung.
redaktioneller Kommentar
Warum es wichtig ist
Wahrscheinliche Folge — Interesse an prädiktiven Systemen, die zeitliche Reihen und bekannte zukünftige Ereignisse gleichzeitig berücksichtigen. Als nächstes beobachtbare Signal werden veröffentlichte Testergebnisse, Verfügbarkeit des Modells und unabhängige Vergleiche sein. Wesentliche Ungewissheit hängt mit dem Fehlen der primären Ankündigung und detaillierter Qualitätsbewertung in den verfügbaren Materialien zusammen.