arXiv · 01.07.2026 ·Исследования и наука

TiRex-2: новая foundation-модель для многомерных временных рядов

Исследователи представили TiRex-2 — фундаментальную модель для прогнозирования временных рядов, основанную на архитектуре xLSTM. В отличие от первой версии, работавшей с одномерными данными, TiRex-2 адаптирована для многомерных последовательностей. Модель эффективно обрабатывает потоковые данные, учитывая как исторические показатели, так и известные заранее будущие ковариаты, что критически важно для задач реального времени.

Архитектура xLSTM (Extended Long Short-Term Memory) позволяет модели преодолевать ограничения классических трансформеров при работе с длинными временными рядами. В то время как стандартные трансформеры часто сталкиваются с вычислительными сложностями при обработке непрерывных потоков данных, TiRex-2 сохраняет высокую точность и скорость инференса за счет рекуррентной природы своей основы. Это делает решение пригодным для сценариев, где данные поступают динамически и требуют мгновенной интерпретации.

Разработка направлена на устранение разрыва между статичными моделями прогнозирования и требованиями реальных бизнес-систем. Благодаря поддержке многомерности, TiRex-2 способна анализировать сложные взаимосвязи между различными переменными, эволюционирующими во времени. Такой подход обеспечивает более гибкую настройку под специфические задачи, от финансового мониторинга до управления промышленными процессами, где точность прогноза зависит от множества коррелирующих факторов.

Ключевые факты

Модель построена на базе архитектуры xLSTM, обеспечивающей эффективную обработку последовательностей.
TiRex-2 поддерживает многомерное прогнозирование, объединяя исторические данные с будущими ковариатами.
Система оптимизирована для работы с потоковыми данными, поступающими в непрерывном режиме.
Решение превосходит существующие трансформерные модели в задачах, требующих учета совместной эволюции нескольких переменных.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Машинное обучение Adaptive Financial Transformer: новая архитектура для прогнозирования доходности акций Исследователи представили Adaptive Financial Transformer (AFT) — специализированную архитектуру для прогнозирования доходности акций в условиях нестабильных рынков. В отличие от стандартных трансформеров, модель использует механизм динамического управления вниманием, который адаптируется к текущему рыночному режиму. Это позволяет эффективнее учитывать семантические связи между финансовыми индикаторами и повышать точность предсказаний в меняющейся экономической среде. arXiv · Исследования и наука Линейные модели против трансформеров в прогнозировании временных рядов Исследователи поставили под сомнение доминирование сложных архитектур в задачах прогнозирования временных рядов. Анализ показал, что простая гребневая регрессия (Ridge regression) при правильной настройке предобработки данных способна конкурировать с современными трансформерами и фундаментальными моделями, обеспечивая сопоставимую точность при значительно меньших вычислительных затратах и сложности внедрения в производственные системы. Hacker News · Машинное обучение Next-Latent Prediction Transformers: компактные мировые модели Исследователи представили новый подход к созданию мировых моделей — Next-Latent Prediction Transformers (NLP-T). В отличие от традиционных моделей, NLP-T используют компактные представления, что позволяет значительно снизить вычислительные затраты при сохранении высокой точности. Lobsters · Инфраструктура для агентов TIRx: новый стек компиляторов для оптимизации ML-ядер Проект Apache TVM представил TIRx — специализированный стек компиляторов, предназначенный для работы с быстро меняющимися ML-ядрами (kernels). Инструмент решает проблему фрагментации при разработке высокопроизводительного кода для современных нейросетевых архитектур, позволяя автоматизировать генерацию и оптимизацию низкоуровневых операций под специфическое «железо». MarkTechPost · Данные и инжиниринг Построение пайплайнов прогнозирования временных рядов с TimeCopilot Разработан комплексный рабочий процесс для прогнозирования временных рядов с использованием инструмента TimeCopilot. Система объединяет классические статистические методы, современные фундаментальные модели и автоматизированные алгоритмы обнаружения аномалий. Архитектура позволяет обрабатывать как реальные данные, например, статистику авиаперевозок, так и синтетические ряды с искусственно внедренными выбросами. arXiv · Инференс и железо Адаптивная компрессия токенов для временных рядов в LLM Исследователи из MIT и Google Research предложили новый подход к обработке временных рядов (TS) в языковых моделях. В статье, опубликованной на arXiv, они утверждают, что традиционный подход к токенизации, где числовые и текстовые данные обрабатываются одинаково, неэффективен. Временные ряды и текст имеют разную структуру информации, и их обработка должна учитывать эти различия. Hacker News · Исследования и наука Next-Latent Prediction: новый подход к обучению компактных моделей мира Исследователи представили метод Next-Latent Prediction (NLP), который меняет подход к обучению трансформеров для моделирования динамических сред. В отличие от традиционных моделей, предсказывающих будущие токены в пространстве пикселей или дискретных состояний, этот метод фокусируется на прогнозировании скрытых представлений (латентных векторов). Такой подход позволяет модели сжимать информацию о визуальных и физических процессах, отсекая избыточные детали и концентрируясь на ключевых закономерностях среды. arXiv · Модели и релизы Новый подход к долгосрочному прогнозированию временных рядов Исследователи из Arxiv представили новый метод HAMON, который использует пассивное оптическое смешивание последовательностей для долгосрочного прогнозирования временных рядов. Этот подход демонстрирует, что простые линейные и частотные модели могут быть конкурентоспособными в задачах долгосрочного прогнозирования, что ставит под сомнение необходимость использования сложных трансформерных моделей в этом контексте. arXiv · Машинное обучение Новый метод прогнозирования временных рядов с учётом межканальных корреляций Исследователи предложили новый подход к прогнозированию временных рядов, который учитывает межканальные корреляции. В статье, опубликованной на arXiv, авторы утверждают, что существующие модели часто игнорируют взаимосвязи между различными каналами данных, что приводит к менее точным прогнозам. arXiv · Машинное обучение Гибридная архитектура LSTM и Vision Transformer для прогнозирования ошибок погоды Исследователи представили гибридную модель машинного обучения, предназначенную для коррекции ошибок в численных прогнозах погоды высокого разрешения (NWP). Система High-Resolution Rapid Refresh (HRRR), используемая метеорологами, часто сталкивается с неточностями, вызванными сложными атмосферными процессами, такими как конвекция, влияние рельефа и динамика пограничного слоя планеты. Традиционные методы не всегда справляются с учетом вертикальной структуры атмосферы, что приводит к накоплению погрешностей в краткосрочных прогнозах.

← Все материалы