ant-intl/Falcon-TST

解决的问题

提供一系列大规模基础模型，旨在提升不同类型数据（包括单变量和多变量时间序列）的时间序列预测的准确性和效率。

工作原理

该项目提供三种不同的模型架构：

• Falcon-2.0：基于 Omni-Range Bootstrap Incremental Training (ORBIT) 的单变量编码器专用模型。
• Falcon-X：使用共享潜在原型空间和双依赖建模来处理异构变量的多变量模型。
• Falcon-1.0：结合局部专家专业化与样本级分层路由的分层混合专家（MoE）模型。

适用人群

从事时间序列预测的数据科学家和机器学习工程师，需要可应用于多种数据集的预训练基础模型，而无需进行大量定制化训练。

主要亮点

• 多样化的模型家族：支持单变量（Falcon-2.0）和多变量（Falcon-X）预测。
• 分位数预测：通过统一的客户端 API 提供基于分位数的预测能力。
• 可扩展架构：采用混合专家（MoE）和 ORBIT 训练方案等先进技术。