❯In questa cartella c'è dati.csv con colonne data e valore. Voglio prevedere i prossimi 12 passi. Se la frequenza delle date non è evidente, chiedimela.
Leggi https://github.com/google-research/timesfm e l'esempio 2.5 in https://huggingface.co/google/timesfm-2.5-200m-pytorch . Usa TimesFM 2.5, checkpoint google/timesfm-2.5-200m-pytorch, senza addestramento né servizi cloud.
Controlla Python, RAM e disco. Prepara un ambiente virtuale separato dagli altri progetti, adatto al mio sistema, con il backend PyTorch documentato. Se le risorse non bastano, fermati e spiega il requisito mancante.
Controlla date ordinate, frequenza regolare, duplicati e valori mancanti. Non riempire né eliminare dati senza chiedermelo. Converti valore in un array NumPy monodimensionale.
Carica il modello con timesfm.TimesFM_2p5_200M_torch.from_pretrained e chiama model.compile(timesfm.ForecastConfig(...)) come nell'esempio ufficiale, con questi parametri: max_context=1024, max_horizon=256, normalize_inputs=True, use_continuous_quantile_head=True, force_flip_invariance=True, fix_quantile_crossing=True. Imposta infer_is_positive=False se la serie può avere valori negativi. Se supera 1024 osservazioni, dimmi che userai le ultime 1024.
Chiama model.forecast con horizon=12 e inputs=[valori]. Salva previsione.csv con data, previsione, q10 e q90. Il primo output contiene la previsione; nel secondo l'indice 1 è q10 e l'indice 9 è q90. Controlla 12 valori finiti e q10 <= q90.
Salva previsione.png con storico, previsione e fascia q10-q90 distinguibili. Mostrami i percorsi e gli errori reali. Non inventare output se l'esecuzione non riesce.