lag-llama

lag-llama

首个开源时间序列预测基础模型,实现零样本及微调能力

Lag-Llama是开源的时间序列预测基础模型,支持任意频率和预测长度的零样本预测及模型微调。项目提供预训练和微调脚本,可复现论文实验。模型具备强大的零样本能力,微调后性能更佳。使用时可通过调整上下文长度和学习率等参数优化性能。作为概率预测模型,Lag-Llama输出每个时间步的概率分布。

Lag-Llama时间序列预测基础模型概率预测开源模型Github开源项目

Lag-Llama: 面向概率时间序列预测的基础模型

lag-llama架构

Lag-Llama是<b>首个开源的时间序列预测基础模型</b>

[推特主题]

[模型权重] [Colab演示1: 零样本预测] [Colab演示2: (初步微调)]

[论文]

[视频]


<b>更新</b>:

  • 2024年6月27日: 修复了kv_cache实现中的关键问题,提高了预测准确性。修复包括:全局重置self.y_cache标志,在kv_cache初始化过程中正确使用因果注意力,以及调整连接后的旋转嵌入。由@KelianM贡献。
  • 2024年4月16日: 发布了预训练和微调脚本,以复现论文中的实验。详见复现论文中的实验
  • 2024年4月9日: 我们在YouTube上发布了一个关于Lag-Llama的15分钟视频🎥。
  • 2024年4月5日: 在Colab演示1中添加了一个章节,讨论调整上下文长度对零样本预测的重要性。在README中添加了最佳实践章节;增加了微调建议。这些建议将很快在Colab演示2中通过示例演示。
  • 2024年4月4日: 我们更新了requirements文件,包含某些包的新版本。如果您之前在本地使用过该代码,请更新/重新创建您的环境。
  • 2024年3月7日: 我们发布了一个初步的Colab演示2用于微调。请注意这是一个初步教程。如果您正在微调模型或将其用于基准测试,我们建议您查看最佳实践。
  • 2024年2月17日: 我们发布了一个新的更新版Colab演示1,用于零样本预测,展示了如何加载不同格式的时间序列。
  • 2024年2月7日: 我们发布了Lag-Llama,包括开源模型检查点和用于零样本预测的Colab演示。

当前特性:

💫 使用<a href="https://colab.research.google.com/drive/1DRAzLUPxsd-0r8b-o4nlyFXrjw_ZajJJ?usp=sharing" target="_blank">Colab演示1</a><b>任何频率</b>的数据集进行<b>任何预测长度</b><b>零样本预测</b><br/>

💫 使用Colab演示2在数据集上进行<b>微调</b>

💫 使用发布的脚本<b>复现</b>论文中的实验。详见复现论文中的实验

注意: 在进行零样本预测和微调时,请参阅最佳实践章节


复现论文中的实验

要复现论文中使用的预训练设置,请参见预训练脚本。一旦模型预训练完成,可以在微调脚本中找到使用论文中的设置进行微调的说明。

最佳实践

以下是使用Lag-Llama的一些通用技巧。

一般信息

  • Lag-Llama是一个概率性预测模型,经过训练可以为每个预测时间步输出概率分布。对于您的具体用例,我们建议先对您的数据进行零样本性能基准测试,如有必要再进行微调。正如我们在论文中所示,Lag-Llama具有强大的零样本能力,但经过微调后表现最佳。微调的数据越多,效果越好。有关零样本应用或微调的具体建议,请参阅下面的章节。

零样本预测

  • 重要的是,我们建议尝试不同的上下文长度(从训练时使用的$32$开始),并确定哪种最适合您的数据。正如我们在零样本预测演示的这一部分所示,随着上下文长度的增加,模型的零样本性能会提高,直到达到可能特定于您数据的某个上下文长度。此外,我们建议启用RoPE缩放,以使模型能够更好地处理大于训练长度的上下文。

微调

如果您想基准测试模型在微调下的性能,或尝试从模型中获得最佳性能:

  • 我们建议针对每个微调数据集调整两个重要的超参数:上下文长度(建议值:$32$、$64$、$128$、$256$、$512$、$1024$)和学习率(建议值:$10^{-2}$、$5 * 10^{-3}$、$10^{-3}$、$5 * 10^{-3}$、$1 * 10^{-4}$、$5 * 10^{-4}$)。
  • 我们还强烈建议使用数据集的验证集来进行早停,早停耐心值设为50个epoch。

联系方式

我们致力于确保我们结果的可复现性,并乐意帮助解答有关对我们模型进行基准测试或论文中实验的问题。 最快的联系方式是通过电子邮件。请同时发送邮件给:

  1. Arjun Ashok - arjun [点] ashok [at] servicenow [点] com
  2. Kashif Rasul - kashif [点] rasul [at] gmail [点] com

如果您对模型使用(或)代码(或)有特定错误(例如,与您自己的数据集一起使用时),最好在GitHub仓库中创建一个问题。

引用本工作

请使用以下Bibtex条目来引用Lag-Llama。

@misc{rasul2024lagllama,
      title={Lag-Llama: Towards Foundation Models for Probabilistic Time Series Forecasting}, 
      author={Kashif Rasul and Arjun Ashok and Andrew Robert Williams and Hena Ghonia and Rishika Bhagwatkar and Arian Khorasani and Mohammad Javad Darvishi Bayazi and George Adamopoulos and Roland Riachi and Nadhir Hassen and Marin Biloš and Sahil Garg and Anderson Schneider and Nicolas Chapados and Alexandre Drouin and Valentina Zantedeschi and Yuriy Nevmyvaka and Irina Rish},
      year={2024},
      eprint={2310.08278},
      archivePrefix={arXiv},
      primaryClass={cs.LG}
}

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多