TIME SERIES · FM
toki 1.0
Zero-shot forecasting.
学習不要・1 リクエストで多変量時系列を予測。エンタープライズ向けの推論 API。
本ページのベンチマーク数値は仮値（プレースホルダ）です。
WHY
なぜ時系列基盤モデルか
従来の時系列予測は、データセットごとにモデルを学習し、ハイパーパラメータを調整する必要がありました。導入までのリードタイムが長く、運用後も継続的なチューニングコストが発生します。
新規拠点・新製品など履歴のないコールドスタート領域では、十分な精度を出すことが構造的に困難でした。
時系列基盤モデルは、大量の異種時系列で事前学習されており、追加学習なしに（ゼロショットで）任意のタスクに適用できます。toki 1.0 は本アプローチを商用品質で実現したモデルです。
FEATURES
何が違うのか
01
ゼロショット
事前学習済みモデルをそのまま使用。タスク固有の再学習は不要で、API を呼ぶだけで予測が返ります。
02
多変量対応
複数系列を同時に入力可能。系列間の依存関係を考慮し、単独予測より高精度な結果を返します。
03
共変量サポート
祝日・気温・キャンペーン種別など、数値・カテゴリ両方の共変量を扱えます。
04
コールドスタート
履歴が短い新規系列でも、既存の類似パターンから推論し合理的な予測を返します。
API
1 リクエストで予測
学習不要・推論は API を呼ぶだけ。SDK・REST どちらも利用可能です。
curl
curl -X POST https://api.toki.neurogica.com/v1/forecast \
-H "Authorization: Bearer $TOKI_API_KEY" \
-d '{
"series": [...],
"horizon": 24
}'Python
from toki import Client
client = Client(api_key="...")
forecast = client.forecast(
series=df,
horizon=24,
)ARCHITECTURE
モデルの仕組み
入力時系列を正規化・パッチ化し、Transformer で系列横断の依存を捉え、確率分布として予測を返します。
- 01 / TokenizeTokenize値域正規化と数値トークン化
- 02 / PatchPatch時系列を固定長パッチに分割
- 03 / TransformerTransformer系列内・系列間の依存を学習
- 04 / ForecastForecast分位点付き予測分布を出力
BENCHMARKS
ゼロショットでベースラインを超える
DEMO公開ベンチマーク fev-bench / GIFT-Eval 相当の評価軸で、主要なオープンソース時系列基盤モデル群と比較しました。
fev-bench Win-rate
Skill score（高いほど良い）。全数値は仮値です。
GIFT-Eval ランキング
Probabilistic forecast（確率予測）
| Rank | Model | Score |
|---|---|---|
| #1 | toki 1.0 | 0.81 |
| #2 | Baseline A | 0.74 |
| #3 | Baseline B | 0.71 |
| #4 | Baseline C | 0.66 |
Point forecast（点予測）
| Rank | Model | Score |
|---|---|---|
| #1 | toki 1.0 | 0.78 |
| #2 | Baseline A | 0.70 |
| #3 | Baseline B | 0.68 |
| #4 | Baseline C | 0.61 |