跳到正文
热点事件持续更新

TimesFM 3.0 建筑电力预测基准测试结果

1 篇报道1 个报道来源5 小时前更新

先了解这件事

AI 综述

一项基准测试比较了统计模型、机器学习、循环神经网络和预训练 TimesFM 在大学建筑日前电力预测上的表现。结果显示，TimesFM 3.0 结合协变量取得最低整体误差，平均绝对误差较周季节朴素预测降低约 43%。 不过，配对日比较未确立 TimesFM 相对 XGBoost 的平均绝对误差优势，XGBoost 仍具竞争力。两者各有取舍：TimesFM 无需建筑专属权重训练，而 XGBoost 在本地拟合与推理上更快。

AI 根据报道生成 · 4 小时前更新

最新进展10月12日 12:00
TimesFM 3.0 与机器学习模型在大学建筑日前电力预测中的基准测试

报道时间线

沿着报道，了解事件的不同侧面。

10月12日
  1. arXiv cs.AI
    TimesFM 3.0 与机器学习模型在大学建筑日前电力预测中的基准测试

    研究对统计模型、机器学习、循环神经网络和预训练 TimesFM 在大学建筑日前电力预测上进行基准测试，TimesFM 3.0 结合协变量取得最低整体误差，平均绝对误差较周季节朴素预测降低约 43%。XGBoost 仍具竞争力，但配对日比较未确立 TimesFM 的平均绝对误差优势；TimesFM 无需建筑专属权重训练，XGBoost 则本地拟合与推理更快。

本事件热度走势

可比范围当前
9
可比范围峰值
1010月12日 13:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。