锚定预测功能大揭秘Time-Anchor ModernBERT 32M如何利用已知未来点提升预测精度【免费下载链接】time-anchor-modernbert-32m项目地址: https://ai.gitcode.com/hf_mirrors/K-Iwa/time-anchor-modernbert-32mTime-Anchor ModernBERT 32M是一款基于32M参数ModernBERT骨干构建的紧凑型时间序列模型通过一次调用即可提供分位数预测、变量/时间影响分析和锚定预测三大核心功能为用户带来精准高效的时间序列预测体验。什么是锚定预测锚定预测是Time-Anchor ModernBERT 32M的一项创新功能它允许用户在预测过程中指定已知的未来点模型会以此为依据调整预测结果从而显著提升预测精度。这种方式特别适用于那些存在部分已知未来信息的时间序列场景。锚定预测的工作原理锚定预测功能通过接收用户提供的位置和对应值来实现。positions参数以1为基础表示预测范围内的时间步values则是这些位置对应的已知数值。模型在进行预测时会将这些已知点作为约束条件使预测结果更好地贴合实际情况。锚定预测的实际效果使用锚定预测功能对月度航空乘客数据进行24个月预测的效果展示通过固定6个已知月份的数据将预测的中位MAE从46降低到10千人次。如何使用锚定预测功能使用锚定预测功能非常简单只需在调用predict_time_anchor函数时传入anchor参数即可。以下是一个示例代码url https://raw.githubusercontent.com/jbrownlee/Datasets/master/airline-passengers.csv passengers pd.read_csv(url)[Passengers].astype(float32) result predict_time_anchor( K-Iwa/time-anchor-modernbert-32m, target_contextpassengers[:-24], prediction_length24, anchor{ mode: observed, positions: [4, 8, 12, 16, 20, 24], values: [396, 559, 405, 461, 606, 432], }, ) print(pd.DataFrame(result.forecast_rows))锚定预测的多种模式Time-Anchor ModernBERT 32M提供了多种锚定模式包括observed、auto、forward、inverted、sparse、hierarchical和hybrid以满足不同场景下的预测需求。用户可以根据实际情况选择最适合的模式。模型的其他强大功能除了锚定预测Time-Anchor ModernBERT 32M还具备分位数预测和变量/时间影响分析功能。分位数预测可以提供不同分位水平的概率预测而变量/时间影响分析则能展示每个输入变量在每个时间步的归一化贡献帮助用户深入理解预测结果。快速开始使用要使用Time-Anchor ModernBERT 32M只需通过以下命令安装相关包pip install time-anchor然后就可以按照上述示例代码开始使用锚定预测等功能了。如果需要从源码安装可以克隆仓库git clone https://gitcode.com/hf_mirrors/K-Iwa/time-anchor-modernbert-32m模型详情Time-Anchor ModernBERT 32M的骨干网络为ModernBERT编码器包含10层、384隐藏维度和6个注意力头。模型总参数为33.4M其中ModernBERT骨干占31.9M时间序列输入/输出头占1.5M。它支持最长3463步的上下文长度和64步的预测 horizon能够满足大多数时间序列预测任务的需求。通过锚定预测功能Time-Anchor ModernBERT 32M为用户提供了一种利用已知未来信息提升预测精度的有效途径无论是在气象预测、交通流量预测还是商业销售预测等领域都具有广泛的应用前景。赶快尝试使用体验精准预测的魅力吧【免费下载链接】time-anchor-modernbert-32m项目地址: https://ai.gitcode.com/hf_mirrors/K-Iwa/time-anchor-modernbert-32m创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
)
