Falcon-TST：大规模时间序列基础模型

一种大规模时间序列基础模型，采用混合专家（MoE）架构并结合多种补丁分词器，可实现高效且准确的时间序列预测。

📖 简介

Falcon-TST 是一种前沿的时间序列基础模型，它充分利用混合专家（MoE）架构的优势，并结合了多种补丁分词器。这种创新方法能够高效处理时间序列数据，同时在各类预测任务中保持较高的准确性。

您可以在 GitHub 页面上找到有关该模型的更多详细信息。

🚀 快速开始

import torch
from transformers import AutoModel

# Load pre-trained model (when available)
model = AutoModel.from_pretrained(
    'ant-intl/Falcon-TST_Large',
    trust_remote_code=True
)

# Prepare your time series data
batch_size, lookback_length, channels = 1, 2880, 7
time_series = torch.randn(batch_size, lookback_length, channels)

# Load the model and data to the same device
device = torch.cuda.current_device() if torch.cuda.is_available() else 'cpu'
model = model.to(device)
time_series = time_series.to(device)

# Generate forecasts
forecast_length = 96
predictions = model.predict(time_series, forecast_horizon=forecast_length)

Falcon-TST：大规模时间序列基础模型

一种大规模时间序列基础模型，采用混合专家（MoE）架构并结合多种补丁分词器，可实现高效且准确的时间序列预测。

📖 简介

您可以在 GitHub 页面上找到有关该模型的更多详细信息。

🚀 快速开始

import torch
from transformers import AutoModel

# Load pre-trained model (when available)
model = AutoModel.from_pretrained(
    'ant-intl/Falcon-TST_Large',
    trust_remote_code=True
)

# Prepare your time series data
batch_size, lookback_length, channels = 1, 2880, 7
time_series = torch.randn(batch_size, lookback_length, channels)

# Load the model and data to the same device
device = torch.cuda.current_device() if torch.cuda.is_available() else 'cpu'
model = model.to(device)
time_series = time_series.to(device)

# Generate forecasts
forecast_length = 96
predictions = model.predict(time_series, forecast_horizon=forecast_length)