Moerai is a village on the island of Rurutu, in French Polynesia. According to the 2022 census, it had a population of 987. [1]

这个博客介绍Salesforce AI Research的一个重大创新 —— Moirai。 这是一时间序列基础模型，提供了通用预测能力。 它能够以零样本的方式处理跨多个领域、频率和变量的多样化预测任务 …

Uni2TS is a PyTorch based library for research and applications related to Time Series Transformers. This library aims to provide a unified solution to large-scale pre-training of Universal Time Series Transformers. Uni2TS also provides tools for fine-tuning, inference, and evaluation for time series forecasting.

2024年5月18日 · MOIRAI（Masked EncOder-based UnIveRsAl TIme Series Forecasting Transformer）是一个基于Transformer的时间序列预测模型，它通过预训练和微调来提高对各种时间序列预测任务的泛化能力。 II. 核心组件. 目的：处理不同频率的时间序列数据，因为不同频率的数据具有不同的模式和特性。 方法：为不同的频率定义不同的补丁（patch）大小，学习多个输入和输出投影层，每个层对应一个特定的补丁大小。 实现：使用线性层将不同大小的补丁映射 …

2024年10月31日 · 为了解决上述问题，作者提出了全新的时间序列统一训练解决方案 Moirai-MoE，其核心思想是利用单个输入 / 输出投影层，同时将各种时间序列模式的建模委托给 Transformer 层中的稀疏混合专家。 通过这些设计，Moirai-MoE 的专业化以数据驱动的方式实现，并在 token 级别运行。 基于稀疏混合专家的时序基础模型. Moirai-MoE 构建在它的前序工作 Moirai 之上。 虽然 Moirai-MoE 继承了 Moirai 的许多优点，但其主要改进在于：Moirai-MoE 不 …

Salesforce AI Research 推出的 MOIRAI-MoE 时间序列基础模型，利用 稀疏混合专家 (MoE) 架构实现自动化的 token 级模型特化，从而提升了时间序列预测的效率和准确性，在各种数据集上的测试中，相比现有模型取得了显著的性能提升，并展现了强大的零样本泛化能力。 时间序列预测长期以来一直是金融、医疗保健、气象和供应链管理中不可或缺的一部分。 其主要目标是根据历史观察预测未来的数据点，由于时间序列数据的复杂性和多变性，这可能具有挑战性。 机器学习， …

2024年4月14日 · Moirai 是 Salesforce 开发的用于时间序列预测的基础模型。 它被设计为一种通用模型，能够预测广泛的时间序列。 为了实现这种灵活性，该模型解决了时间序列数据相关的几个挑战，包括： 使用灵活的分布生成概率预测，可适应多种情况。 数据集是任何基础模型的核心组成 …

2024年4月14日 · Moirai 是 Salesforce 开发的用于时间序列预测的基础模型。 它被设计为一种通用模型，能够预测广泛的时间序列。 为了实现这种灵活性，该模型解决了时间序列数据相关的几个挑战，包括： 使用灵活的分布生成概率预测，可适应多种情况。 数据集是任何基础模型的核心组成部分。 作者构建了一个大规模且多样化的数据集，包含了270亿观测值，涵盖了九个不同的时间序列领域。 另外他们还引入了三个主要的新概念：多尺寸补丁投影层（Multi Patch Size …

2024年4月14日 · Moirai 是 Salesforce 开发的用于时间序列预测的基础模型。 它被设计为一种通用模型，能够预测广泛的时间序列。 为了实现这种灵活性，该模型解决了时间序列数据相关的几个挑战，包括： 使用灵活的分布生成概率预测，可适应多种情况。 数据集是任何基础模型的核心组成部分。 作者构建了一个大规模且多样化的数据集，包含了270亿观测值，涵盖了九个不同的时间序列领域。 另外他们还引入了三个主要的新概念：多尺寸补丁投影层（Multi Patch Size …

2024年4月14日 · Moirai 是 Salesforce 开发的用于时间序列预测的基础模型。 它被设计为一种通用模型，能够预测广泛的时间序列。 为了实现这种灵活性，该模型解决了时间序列数据相关的几个挑战，包括： 使用灵活的分布生成概率预测，可适应多种情况。 数据集是任何基础模型的核心组成部分。 作者构建了一个大规模且多样化的数据集，包含了270亿观测值，涵盖了九个不同的时间序列领域。 另外他们还引入了三个主要的新概念：多尺寸补丁投影层（Multi Patch Size …