arXiv 基准：TimesFM 3.0 大学建筑电力预测误差最低
热点事件持续更新
arXiv 基准：TimesFM 3.0 大学建筑电力预测误差最低
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
arXiv 一篇 cs.LG 论文对统计方法、机器学习、循环神经网络和预训练 TimesFM 模型做基准测试，比较它们对一栋大学建筑的日前电力预测，在同一批 57 个测试日上评估。Amey Vasulkar 等作者称，带协变量的 TimesFM 3.0 整体误差最低，平均绝对误差较周季节性朴素预测低约 43%。 作者称 XGBoost 仍具竞争力，本地拟合与推理更快，而 TimesFM 无需建筑特定权重训练；LSTM 拟合更慢，且未超过这两者。
AI 根据报道生成 · 1 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对比报道时间线
沿着报道，了解事件的不同侧面。
10月12日
- arXiv：cs.LGTimesFM 3.0 与机器学习模型在大学建筑日前电力预测中的基准对比
研究对统计方法、机器学习、循环神经网络及预训练 TimesFM 模型在一栋大学建筑的日前电力预测上进行基准测试，在相同的 57 个测试日上评估。带协变量的 TimesFM 3.0 整体误差最低，较周季节性朴素预测的平均绝对误差降低约 43%。XGBoost 仍具竞争力且本地拟合与推理更快，TimesFM 无需建筑特定权重训练，LSTM 拟合更慢且未超越两者。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。