TimesFM 3.0(Googleの時系列予測基盤モデル。追加学習なしで予測する。3.0になって多変量、共変量が入れられるようになった)をPythonで使ってSパラメータ（バンドパスフィルタ）の高周波部分を予測する。共変量として角度を入れると2.5のときよりだいぶよくなる。

以前こういうことをやった。

 TimesFM 2.5(Googleの時系列予測基盤モデル。追加学習なしで予測する)をPythonで使ってSパラメータ（伝送線路、バンドパスフィルタ）の高周波部分を予測する。

これはこれでまあまあだが、バージョンが3.0になって多変量と共変量が入れられるようになっていた。ただAPIの文法が全く変わっているのはなんとかしてほしかった…（ずっと簡単になったので文句は言うまい）

https://github.com/google-research/timesfm

早速試してみよう。共変量は過去のみと過去と未来を入れられる。ちょっとずるいような気もするが共変量はSパラの角度にして、角度のみ過去と未来をいれてみよう。コードはこちら。

import torch

import numpy as np

from timesfm3 import TimesFM3Evaluator, ModelConfig

import pandas as pd

import skrf as rf

import matplotlib.pyplot as plt

plt.rcParams['font.family'] = 'Noto Sans CJK JP'

# Initialize TimesFM 3.0

config = ModelConfig(

    checkpoint_path="google/timesfm-3.0-pytorch",

    per_core_batch_size=16,

    device="cuda"

)

forecaster = TimesFM3Evaluator(config)

ntwk = rf.Network("dea165550bt-2322a1-h.s2p")

s = ntwk.s

f = ntwk.f

s11db = 10*np.log10(np.abs(s[:, 0, 0])**2)

s21db = 10*np.log10(np.abs(s[:, 1, 0])**2)

s11phase = np.angle(s[:, 0, 0], deg = True)

s21phase = np.angle(s[:, 1, 0], deg = True)

n = 100

s11dbtrain = s11db[:-n]

s21dbtrain = s21db[:-n]

outputs = list(

    forecaster.predict_batch(

        contexts=[s11dbtrain, s21dbtrain],

        horizon=n,

        past_only_covariates=[s11phase[:-n],s21phase[:-n]],

        past_future_covariates=[s11phase, s21phase],

        return_quantiles=True,

        use_symmetric_averaging=False,

    )

)

fig = plt.figure(figsize=(12, 4))

plt.subplot(1, 2, 1)

plt.plot(f, s11db, label="真値")

plt.plot(f[-n:], outputs[0].forecast, label="予測値")

plt.fill_between(f[-n:], outputs[0].quantiles[:, 0], outputs[0].quantiles[:, 8], alpha=0.2, label="10-90 パーセンタイル")

plt.legend()

plt.xlabel("f[GHz]")

plt.ylabel("S11[dB]")

plt.title("S11 forecast")

plt.subplot(1, 2, 2)

plt.plot(f, s21db, label="真値")

plt.plot(f[-n:], outputs[1].forecast, label="予測値")

plt.fill_between(f[-n:], outputs[1].quantiles[:, 0], outputs[1].quantiles[:, 8], alpha=0.2, label="10-90 パーセンタイル")

plt.legend()

plt.xlabel("f[GHz]")

plt.ylabel("S21[dB]")

plt.title("S21 forecast")

予測結果。

そうとういい感じで予測できている。まあ角度は未来も入れているのでずるいかも。

なので未来は入れないようにするとこちら。

まあでも2.5のときより良くなっている。