详细内容或原文请订阅后点击阅览

Deutsche Bahn如何使用Chronos模型重新定义预测 - 现在在亚马逊基岩市场上可用

2025年5月7日 15:22 33 Comments
X Twitter Instagram Mail

传统的预测方法通常依赖于统计建模，但Chronos将时间序列数据视为要建模的语言，并使用预训练的FM来生成预测，类似于大型语言模型（LLMS）的生成文本。与传统方法相比，计时可帮助您更快地实现准确的预测，从而大大减少开发时间。在这篇文章中，我们分享了Deutsche Bahn如何使用Chronos模型重新定义预测，并提供了一个示例用例，以说明如何使用Chronos开始使用。

来源:亚马逊云科技 _机器学习
这篇文章与Deutsche Bahn的Kilian Zimmerer和Daniel Ringler共同撰写。然而，建立准确的预测模型传统上需要大量的专业知识和数周的开发时间。传统的预测方法通常依赖于统计建模，而Chronos将时间序列数据视为要建模的语言，并使用预训练的FM来生成预测，类似于大型语言模型（LLMS）生成文本的方式。 Chronos helps you achieve accurate predictions faster, significantly reducing development time compared to traditional methods.In this post, we share how Deutsche Bahn is redefining forecasting using Chronos models, and provide an example use case to demonstrate how you can get started using Chronos.Chronos: Learning the language of time seriesThe Chronos model family represents a breakthrough in time series forecasting by using language model architectures.与需要在特定数据集上进行培训的传统时间序列预测模型不同，计时可以立即用于预测。最初的计时模型迅速成为2024年在拥抱面上下载最多的型号，这表明了对时间序列预测中FMS的强烈需求。在这一成功上建立了这一成功，我们最近推出了Chronos Bolt，与原始的Chronos模型相比，该计算机螺栓提供了更高的零发射精度。它提供以下改进：最多快250倍的推理20倍更好的内存效率部署支持，使托管成本最多可减少10倍的费用，您可以使用Amazon B
支持 Bahn time 对时间 生成 大量的 准确的 how 传统 传统的 最初的 计算机 Deutsche 建模 预测 语言 forecasting 原始的 训练的 Chronos 数据集 部署 时间序列 计时 模型 预测方法 托管 发射精度 using