Google Research a lancé TimesFM-3 — modèle de prévision des séries temporelles, qui prend en compte non seulement les valeurs passées, mais aussi des données associées et des événements futurs connus. Parmi les exemples cités figurent les actions et les prévisions météorologiques.
Le modèle comportant 330 mln de paramètres génère toutes les points futurs d'une série temporielle en une seule passe, et non pas en les prédisant successivement. Selon The Decoder, cette approche réduit le temps de calcul et diminue l'accumulation d'erreurs.
La valeur pratique de TimesFM-3 dépend de la précision avec laquelle il fonctionne sur des jeux de données spécifiques et dans divers scénarios d'application. La source disponible ne fournit pas de résultats de tests indépendants ni de détails sur une éventuelle sortie.
commentaire éditorial
Pourquoi c’est important
Verosímile conséquence — intérêt pour les systèmes de prévision qui prennent en compte simultanément les séries temporelles et les événements futurs connus. Le prochain indicateur sera les résultats de tests publiés, l’accessibilité du modèle et les comparaisons indépendantes. Une incertitude substantielle est liée à l’absence d’une déclaration initiale et d’une évaluation détaillée de la qualité dans les documents disponibles.