بسیاری از مدلهای پیشرفته سریهای زمانی (مثل Chronos یا TimeLLM)، دادههای جانبی و کمکی (exogenous covariates) مثل قیمتها، دما یا تعطیلات را نادیده میگیرند که باعث کاهش دقت پیشبینی میشود.
محققان حالا با معرفی ApolloPFN، اولین شبکه مبتنی بر PFN را توسعه دادهاند که بهطور بومی از دادههای جانبی استفاده میکند. این مدل با یک معماری «زمانآگاه» (Time-aware) و ساختار نوآورانه، در تستهای معتبری مانند پیشبینی قیمت برق و دادههای ترافیکی، عملکردی فراتر از مدلهای فعلی داشته است. قدمی بزرگ برای کسانی که در حوزههای تحلیل داده و مالی با سریهای زمانی پیچیده سر و کار دارند! 📈
منبع: arXiv Machine Learning