Google Research lanzó TimesFM-3 — un modelo de pronóstico de series temporales que tiene en cuenta no solo valores pasados, sino también datos relacionados y eventos futuros conocidos. Entre los ejemplos se mencionan las acciones y las previsiones meteorológicas.
El modelo con 330 millones de parámetros genera todos los puntos futuros de la serie temporal en una pasada, y no los pronostica de forma secuencial. Según The Decoder, este enfoque reduce el tiempo de cómputo y disminuye la acumulación de errores.
El valor práctico de TimesFM-3 depende de qué tan precisa funcione en conjuntos de datos específicos y en distintos escenarios de aplicación. En la fuente disponible no hay resultados de pruebas independientes ni detalles sobre su lanzamiento.
comentario editorial
Por qué importa
Una consecuencia probable es un mayor interés en sistemas de pronóstico que consideren simultáneamente series temporales y eventos futuros conocidos. Las señales siguientes serán los resultados de pruebas publicados, la disponibilidad del modelo y comparaciones independientes. Existe una gran incertidumbre relacionada con la ausencia de una declaración inicial y de una evaluación detallada de calidad.