Predicción de series temporales con TimesFM (Google)
Realiza predicciones zero-shot de series temporales univariadas (ventas, sensores, energía, clima) usando el modelo fundacional TimesFM 2.5 de Google, sin necesidad de entrenar un modelo propio. Genera pronósticos puntuales e intervalos de predicción probabilísticos calibrados.
Descarga abierta · sin registro · para Python, HuggingFace, PyTorch
// qué_hace
Pronostica series temporales univariadas de cualquier dominio (ventas, sensores, clima, datos vitales) usando el modelo fundacional TimesFM 2.5 de Google de forma zero-shot, con intervalos de confianza calibrados.
// cómo_lo_hace
Carga TimesFM 2.5 (200M parámetros) desde HuggingFace, ejecuta un verificador de sistema previo (RAM/GPU/disco), compila con ForecastConfig y llama a model.forecast() o forecast_with_covariates() devolviendo pronósticos por cuantiles (q10–q90).
// ejemplo_de_uso
Ideal para anticipar demanda o detectar anomalías sin datos de entrenamiento etiquetados. Ej.: predice las ventas de tu tienda online para las próximas 4 semanas usando solo el histórico de pedidos en CSV.
// plataformas
// opiniones_de_la_comunidad
Opiniones
Cargando opiniones…
// pase_cultiva_ia
Llévate todo el arsenal con el Pase
Todas las skills, prompts y automatizaciones del catálogo en un único archivo, listas para usar: un pago, acceso de por vida y las novedades que añadamos. Sin suscripción.
Pago único · IVA incluido · pago seguro con Stripe.
Acceso inmediato · si no es lo que esperabas, te devolvemos los 10 €.