Github
Huggingface
文档
论文项目概述
TinyTimeMixers (TTM)是由IBM Research开源的一款用于多变量时间序列预测的小型预训练模型。作为首个"微型"时间序列预测预训练模型,其模型大小仅从1M参数开始,在零样本和少样本预测方面的表现优于需要数十亿参数的主流基准模型。
技术特点
- 轻量级预训练:TTM经过公开时间序列数据的多种增强训练
- 高效性能:可提供最先进的零样本预测结果
- 灵活适应:仅需5%的训练数据即可实现多变量预测的竞争性能
- 易于部署:可在单GPU机器或笔记本电脑上执行
模型版本
目前发布了两个主要版本:
- TTM-R2:在约700M样本上预训练
- TTM-R1:在约250M样本上预训练 整体而言,TTM-R2在标准基准测试中的性能比TTM-R1高出15%以上。
应用场景
- 支持从分钟级到小时级的时间分辨率(如10分钟、15分钟、1小时)
- 适用于点预测用例
- 可进行多变量预测
- 支持外部变量和分类数据的融入
核心优势
- 专注性:每个预训练TTM都针对特定预测场景定制
- 轻量化:采用小型预训练模型而非庞大单一模型
- 快速训练:预训练速度快,R1版本仅需3-6小时,R2版本仅需12-24小时
- 资源友好:可在CPU环境下运行,适合资源受限场景
使用建议
- 数据处理:使用前需对各通道数据进行标准化处理
- 分辨率限制:仅支持分钟和小时级别的时间分辨率
- 数据长度:不建议对较短序列进行上采样或补零处理
- 模型选择:建议同时尝试R1和R2版本,选择最适合目标数据的版本
开发支持
提供了丰富的示例脚本和教程,包括:
- 入门指南
- 零样本多变量预测
- 通道独立微调
- 通道混合微调
- 外部变量处理
- 滚动预测等扩展功能
