★ 2
TimesFM 3.0 用于大学建筑日前电力预测
arXiv 论文对统计、机器学习、循环神经网络与预训练 TimesFM 模型在大学建筑日前电力预测任务上进行基准测试。TimesFM 3.0 结合协变量取得最低误差，平均绝对误差较周季节朴素预测降低约 43%，且无需建筑专属权重训练。XGBoost 仍具竞争力，可快速本地拟合与推理。
arXiv cs.LG21 天前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
arXiv 论文对统计、机器学习、循环神经网络与预训练 TimesFM 模型在大学建筑日前电力预测任务上进行基准测试。TimesFM 3.0 结合协变量取得最低误差，平均绝对误差较周季节朴素预测降低约 43%，且无需建筑专属权重训练。XGBoost 仍具竞争力，可快速本地拟合与推理。