通过PathFM,可以对多变量轨迹进行快速生成预测

标签描述: 字体的名称: ... . . . ,... . . 路径FM生成完整的多变量轨迹,在极限精度方面排名第三,并以10.6%优势领先于路线预测.

标签: 一个字母,一个字符号. (TG) " 时间序列基础模型,概率预测

![PathFM多变量时间序列轨迹的抽象技术可视化,没有真实的人,没有公司标志,没有文本]

背景:时间序列预测需要完整的路径

现有的时间序列基础模型通常预测边际定量值.这些输出不能很好地捕捉多模式行为和时代或交叉变量的依赖性.PathFM反而生成完整的多变量轨迹,从而实现更敏捷的概率预测.

开发过程:比较准确性和速度

报告的PathFM结果突出了三个基准维度.对于边际精确性,截至今天它在fev-bench中排名第3位.对于路径准确性来说,它拥有最高的路径得分,比最强基础TimesFM-3有10.6%个优势.对于快速组合,它可以在 JUST 51.6毫秒内生成32条路径.

最新进展:混乱系统和长期变化

在混乱系统中,PathFM的长期可变性比基线长20倍以上,同时达到最低的平均点预测误差.这项比较指出了边际量子预测的一个实际弱点:跨时间和变量的现实依赖可能比孤立的边缘准确度更重要.

当前阶段:权重和代码即将推出

模型重量和代码将很快发布,此次公告邀请人们反思. 下一步要关注的是版本本身以及任何未来的基准细节,除了目前的fev-bench排名和TimesFM-3比较之外.