TL;DR
- دادههای سری زمانی به اشکال مختلف و با کاربردهای بالقوه فراوان ارائه میشوند.
- این بدان معناست که هیچ روش پیشبینی واحدی نمیتواند همیشه بهترین کار را داشته باشد.
- اگر میخواهید دمای بالا و پایین فردا را پیشبینی کنید،.
چه اتفاقی افتاد
دادههای سری زمانی به اشکال مختلف و با کاربردهای بالقوه فراوان ارائه میشوند. این بدان معناست که هیچ روش پیشبینی واحدی نمیتواند همیشه بهترین کار را داشته باشد.
اگر میخواهید دمای بالا و پایین فردا را پیشبینی کنید،. یا اینکه آیا شرکتی به هدف فروش هفته آینده خواهد رسید،.
پیشبینی نقطهای شرط خوبی است. اما اگر میخواهید تصمیم بگیرید چه زمانی یک محصول را مجدداً ذخیره کنید یا ریسک یک شرکت را.
ارزیابی کنید،. یک پیشبینی احتمالی میتواند مفیدتر باشد.
مواقع دیگر،. ممکن است سعی کنید ناهنجاریها را در جریانی از دادههای بیدرنگ شناسایی کنید،.
تا از اختلال در شبکه یا خرابی ماشینآلات جلوگیری کنید،. و سرعت ضروری است.
تحقیقات IBM خانوادهای از مدلهای پایه سری زمانی ساخته است که در هر سناریو میدرخشند. مدلهایی که این هفته منتشر شدند، در حال حاضر در بالای جدول امتیازات GIFT-Eval در Hugging Face: FlowState-r1.
1 برای پیشبینی نقطه (در میان مدلهای صفر شات، قابل تکرار، بدون نشت داده) قرار دارند. PatchTST-FM-r1،.
برای پیشبینی احتمالی (در میان مدلهای قابل تکرار،. غیر عاملی بدون نشت داده)،.
و TTM-r3 و TSPulse-r1،. برای پیشبینی کارآمد،.
تشخیص ناهنجاری،. طبقهبندی و جستجو،.
پشتیبانی از هزاران استنتاج در ثانیه. در این پست وبلاگ،.
موارد جدید،. انواع وظایفی که هر مدل بهطور ایدهآل برای آنها مناسب است و چگونه میتوان به آنها دسترسی داشت.
و چگونه میتوان از آنها استفاده کرد را بررسی میکنیم. تابلوی امتیازات GIFT-Eval برای دقت پیشبینی احتمالی (بر اساس CRPS - امتیاز احتمال رتبهبندی پیوسته) در بین مدلهای.
غیر عاملی و قابل تکرار بدون نشت داده. جدیدترین ترانسفورماتور مبتنی بر ما مدل،.
PatchTST-FM-r1،. که با موسسه پلی تکنیک Rensselaer توسعه یافته است،.
از معماری پیشگامانه PatchTST ما تکامل یافته است،. که استقلال کانال و وصله را برای پیش بینی دقیقتر و کارآمدتر معرفی میکند.
مدل PatchTST-FM-r1 در کارهای پیش بینی برتری دارد. طول زمینه از 128 تا 8192 نقطه زمانی را کنترل میکند،.
پیشبینی را در افقهای کوتاه و بلندمدت امکانپذیر میسازد،. و نسبت به مقادیر گمشده قوی است.
رتبه فعلی GIFT-Eval آن نشان میدهد که معماریهای ترانسفورماتور میتوانند انعطافپذیر،. گویا و با دقت بالا باشند،.
وقتی که بر روی مجموعه دادههای مقیاس بزرگ متشکل از دادههای واقعی و مصنوعی آموزش داده میشوند. TTM-r3 نسل سوم مدلهای TinyTimeMixer ما است که برای متعادل کردن سرعت و دقت طراحی شده است.
این نسخه چندین نوآوری را معرفی میکند که دقت پیش بینی را بهبود میبخشد و سرعت. استنباط را 15 تا 50 برابر نسبت به مدلهای پیشرفته امروزی افزایش میدهد.
TTM-r3 همچنین در محیطهای فقط CPU رشد میکند و آن را برای استقرار در دنیای واقعی و با. توان بالا مناسب میسازد.
TTM-r3 از تنظیم سریع،. پیشبینی با متغیرهای زیادی پشتیبانی میکند و حتی میتواند متغیرهای کنترلی را در خود جای دهد و عملکرد.
آن را در سناریوهای پیچیده و صنعتی بهبود بخشد. مدلهای TTM ما بسیار محبوب هستند و تاکنون بیش از 37 میلیون بار در Hugging Face دانلود شده.
است. FlowState-r1.
1 جدیدترین نسخه مدل FlowState ما است که بر اساس معماری جدید فضای حالت به نام S5 ساخته. شده است که میتواند ورودیهای کوتاه و بلند و افقهای پیشبینی و همچنین نرخهای نمونهگیری متنوع را مدیریت.
کند. با ترکیب یک رمزگذار مدل فضای حالت با یک رمزگشای مبتنی بر عملکرد، FlowState-r1.
1 توانایی نادری برای هماهنگ کردن دادهها با نرخهای نمونهگیری متفاوت برای تولید پیشبینیهای افق بلند دقیق دارد. این نسخه جدید شامل دادههای آموزشی مصنوعی اضافی است و طول زمینه را افزایش میدهد عملکرد.
را بیشتر بهبود میبخشد. هر سه مدل منتشر شده،.
مجموعه مدلهای سری زمانی IBM را گسترش میدهند،. و مکمل TSPulse،.
خانواده مدلهای فشرده از پیشآموزش دیده ما هستند که در تشخیص ناهنجاری،. جستجو،.
طبقه بندی،. و تعیین تکلیف برتری دارند.
این مدلها با هم برای استقرار ی طراحی شده اند،. این مدلها طیف گستردهای از نیازهای ی و دنیای واقعی را پوشش میدهند.
کاربردها شامل تولید صنعتی و نظارت، و همچنین تشخیص حوادث فناوری اطلاعات و اختلالات شبکه برق است. در مجموع،.
مدلها بر روی بیش از 100 میلیارد نقطه دادهای که از دامنههای عمومیگرفته شده یا به صورت. مصنوعی تولید شدهاند،.
آموزش دیدهاند. جدول زیر نقاط قوت کلیدی هر مدل را بر اساس کاربرد نشان میدهد.
برای توان عملیاتی بالا و تاخیر کم در یک ماشین CPU، TTM-r3 را امتحان کنید. برای پیش بینی دقیق نقطه و احتمال، به ترتیب FlowState-r1.
1 و PatchTST-FM-r1 را امتحان کنید. و برای تشخیص ناهنجاری سریهای زمانی،.
طبقه بندی و سایر کارهای غیر پیش بینی،. TSPulse را امتحان کنید.
چگونه به اینجا رسیدیم IBM از زمان انتشار TST در سال 2021،. تحقیقات و توسعه مدلهای پایه سری زمانی را رهبری کرده است،.
که یکی از اولین مدلهای مبتنی بر ترانسفورماتور بود که برای دادههای سری زمانی اعمال شد. در سال 2023،.
PatchTST مفاهیم وصله و استقلال کانال را به دادههای سری زمانی معرفی کرد و آن را برای ترانسفورماتورها. برای پردازش سریهای زمانی طولانی کارآمد و مؤثر کرد.
در سال 2023،. TSMixer راه را برای سرعت و کارایی بیشتر با استفاده از پرسپترونهای چند سطحی (MLPs) برای ترکیب اطلاعات.
پچ و چند کانالی روشن کرد. Tiny Time Mixer (TTM) که در سال 2024 منتشر شد،.
اولین مدلهای سری زمانی سبک وزن را برای وظایف در بسیاری از دامنهها معرفی کرد. در سال 2025،.
با ساخت مدلهای فضای حالت (SSM)،. یک نوع کارآمد از شبکه عصبی بازگشتی،.
مدل سری زمانی FlowState را معرفی کردیم. آن نوآوریها شامل آموزش موازی، رمزگشایی مبنای عملکردی، و عدم تغییر نرخ نمونهبرداری بود.
نسخههای قبلی TTM و FlowState برای پیشبینی در سالهای 2024 و 2025 بهترین عملکرد را در GIFT-Eval داشتند. امسال، ما مجموعه خود را با انتشار PatchTST-FM-r1، TTM-r3 و FlowState-r1.
1 تکمیل کردیم، که بار دیگر در GIFT بهترین عملکرد را داشتند. آنها توسط TSPulse تکمیل میشوند که در تشخیص و طبقه بندی ناهنجاریها تخصص دارد.
این مدلها با هم طیف گستردهای از موارد استفاده در دنیای واقعی را پوشش میدهند. IBM از سال 2021 مدلهای سری زمانی پیشرو AI را تولید کرده است.
مدلهای سری زمانی IBM را امتحان کنید همه مدلهای ما وزن باز هستند و میتوان آنها را در. Hugging Face بارگیری کرد.
• نسخههای تحقیقاتی ما تحت مجوز غیرتجاری در دسترس هستند. • خانواده مدلهای سری زمانی گرانیت ما بر روی مجموعه دادههای انتخابشده آموزش دیدهاند و تحت Apache 2.
0 مجاز هستند. License.
چندین نوت بوک برای کمک به کاربران برای شروع کار با مدلهای سری زمانی IBM در دسترس. است.
نوتبوکها قابلیتهای هر مدل و بهترین موارد استفاده را برجسته میکنند،. و بر پایه معماری مدل و کد پشتیبانی از مخزن منبعباز ما ساخته شدهاند.
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.