Apa perbedaan Chronos dengan model terlatih lainnya di GluonTS

1. Perkiraan Zero-Shot: Chronos dirancang untuk perkiraan rangkaian waktu zero-shot, artinya Chronos dapat menghasilkan prediksi probabilistik yang akurat untuk rangkaian waktu baru yang tidak terlihat selama pelatihan. Hal ini berbeda dengan model lain yang memerlukan penyesuaian pada kumpulan data tertentu untuk mencapai performa yang baik[1][2].

2. Arsitektur Model Bahasa: Model Chronos didasarkan pada arsitektur model bahasa, yang memberi token pada nilai deret waktu ke dalam keranjang dan memperlakukannya sebagai token. Pendekatan ini memungkinkan pemrosesan dan prediksi data deret waktu baru secara efisien[2][3].

3. Pra-Pelatihan: Model Chronos telah dilatih sebelumnya pada kumpulan besar data deret waktu sumber terbuka yang ditambah dengan teknik pembuatan data sintetis. Pra-pelatihan ini memungkinkan model mempelajari pola dan fitur umum dalam data deret waktu yang dapat diterapkan pada data baru yang belum terlihat[2][3].

4. Ukuran Model: Model Chronos hadir dalam lima ukuran: kecil (parameter 8M), mini (20M), kecil (46M), dasar (200M), dan besar (710M). Ukuran ini menawarkan tingkat kompleksitas dan persyaratan komputasi yang berbeda-beda, dengan model yang lebih besar memerlukan perangkat keras yang lebih kuat untuk inferensi yang efisien [2].

5. Inferensi: Tidak seperti model lainnya, model Chronos tidak melakukan pelatihan khusus tugas. Sebaliknya, mereka melakukan komputasi yang lebih mahal selama inferensi yang berskala linear dengan jumlah deret waktu dalam kumpulan data. Hal ini membuatnya cocok untuk tugas peramalan zero-shot berskala besar [2].

6. Penyempurnaan: Meskipun model Chronos dirancang untuk performa zero-shot, model tersebut dapat disesuaikan pada kumpulan data tertentu untuk lebih meningkatkan akurasinya. Penyempurnaan ini dapat dilakukan dengan menggunakan teknik dan alat pembelajaran mendalam yang umum [3].

Singkatnya, Chronos menonjol dari model terlatih lainnya di GluonTS karena fokusnya pada perkiraan zero-shot, arsitektur model bahasa, pra-pelatihan, dan kemampuan inferensi yang efisien. Fitur-fitur ini menjadikannya alat yang ampuh untuk menangani data deret waktu berskala besar yang tidak terlihat.