基于大模型的通用时间序列分析

了解详情 论文原文

欢迎使用Timer-深度时序分析通用基础模型

Timer 模型发源于清华大学软件学院,针对时序分析领域,构建了大规模时序数据集和预训练格式。通过在大量数据集上进行训练,Timer 展现出少样本泛化以及多任务适配能力,具备可观的时序分析能力和对真实场景的数据生成能力,拥有以下特点:

  • 泛化性:基于少样本微调取得领域前沿深度模型预测效果
  • 通用性:适配多种任务,支持可变输入输出长度
  • 可扩展性:模型随着参数量或预训练规模扩大取得效果提升

大规模高质量时序数据集

为了追求业内卓越的分析能力,我们构建了大规模的预训练数据集,该数据集兼有庞大的体量、卓越的质量和丰富的领域等重要特质,这为Timer提供了一个高水准数据知识库,从而使其在众多任务中具有较强的泛化能力。

大模型可扩展性

对大模型分析解决方案

基于我们模型的能力,我们可以构建一套完整的大模型解决方案。这些解决方案使您能够通过多种方法访问我们大型模型的高级分析服务,将包括在线API访问、基于平台的调用,乃至定制的私人部署等多种选项。
为在线调用而设计的前端API即将推出,敬请期待。

场景服务

Timer提供全面的时序分析能力,旨在帮助您企业和研究人员释放其时间序列数据的全部潜力。我们的Timer模型在大量数据集上进行了预训练,并针对特定任务进行了微调,为一系列可能的实际应用场景提供通用解决方案。

时序预测

对时间序列的预测建模是Timer功能的核心。我们的服务能够提供对工业生产、自然环境等时序数据的预测。

数据填补

消除数据丢失带来的麻烦。Timer拥有对缺失序列段的上下文填补能力,为时间序列数据集带来连续性和完整性。

异常检测

我们提供基于自回归分析的异常检测能力,Timer将通过对于序列段的滚动分析对可能异常序列数据进行实时预警。

通用生成式分析框架

我们的服务在统一的生成方法下运行,为不同的应用程序和领域简化复杂的任务,提供通用时序分析的可能。

效果展示

Timer拥有很强的泛化性,能够适应多种不同领域和场景的真实时序数据,在各种任务上拥有优异的处理效果,这里展现了Timer在不同数据上的真实表现。
以下可视化结果均来自极低样本使用率下的微调结果。

  • 全部
  • 时序预测
  • 数据填补
  • 异常检测

时序预测 ECL数据集

20% 样本微调

时序预测 Traffic数据集

20% 样本微调

时序预测 PEMS03数据集

20% 样本微调

时序预测 ECL数据集

5% 样本微调

时序预测 Traffic数据集

5% 样本微调

时序预测 PEMS03数据集

5% 样本微调

数据填补 ETTh2数据集

20% 样本微调

数据填补 ECL数据集

20% 样本微调

数据填补 Traffic数据集

20% 样本微调

数据填补 ETTh2数据集

5% 样本微调

数据填补 ECL数据集

5% 样本微调

数据填补 Traffic数据集

5% 样本微调

异常检测 ECG4数据集

异常检测 insectEPG5数据集

异常检测 CHARISten数据集

联系我们

随着研究的进展,我们的模型功能正在快速迭代。如果您对我们的工作感兴趣,请主动与我们联系。

地址

北京市海淀区清华大学软件学院
东配楼11区11-419室