TimesFM 2.5で未来予測を強化

このチュートリアルでは、TimesFM 2.5 を使用して、高度なエンドツーエンドの時系列予測ワークフローを構築します。まず、ランタイムを設定し、必要な依存関係をインストールし、利用可能なハードウェアを検出し、トレンド、季節性、価格設定、プロモーション、休日、温度効果、およびランダムな変動を含む現実的な複数店舗の小売データセットを生成します。次に、TimesFM 2.5 モデルをロードしてコンパイルし、その予測設定を調べ、ゼロショットの点予測および確率的予測に使用します。進行するにつれて、MAE、RMSE、sMAPE、MASE、pinball loss、prediction-interval coverageなどの指標で予測品質を評価し、同時にbatched inference、rolling-origin backtesting、context-length sensitivity、XRegを介したcovariate integration、anomaly detection、long-horizon forecasting、throughput tuning、およびinput robustnessもテストします。これらの段階を順に進めることで、現実的な予測タスクのためにTimesFMをどのように設定、検証、ベンチマーク、展開するかについての実践的な理解を深めます。Copy Code Copied Use a different Browser FAST_MODE = False SEED = 7 import subprocess, sys, os, time, json, math, warnings warnings.filterwarnings("ignore") def _pip(*args): subprocess.check_call([sys.executable, "-m", "pip", "install", "-q", *args]) try: import timesfm except ImportError: print("Installing timesfm[torch] ... (~1-2 min)") _pip("timesfm[torch]") import timesfm import numpy as np import pandas as pd import torch import matplotlib.pyplot as plt import matplotlib.dates as mdates np.random.seed(SEED) torch.manual_seed(SEED) torch.set_float32_matmul_precision("high") DEVICE = "cuda" if torch.cuda.is_available() else "cpu" print("=" * 78) print(f"timesfm : {getattr(timesfm, '__version__', 'n/a')}") print(f"torch : {torch.__version__}") print(f"device : {DEVICE}") if DEVICE == "cuda": print(f"gpu : {torch.cuda.get_device_name(0)} " f"({torch.cuda.get_device_properties(0).total_memory/1e9:.1f} GB)") print("=" * 78) try: import jax from sklearn import pre