Ансамбълно прогнозиране с модели за времеви редове IBM Granite

Четири отворени модела Granite, един разширяем интерфейс за прогнозиране и по-малко догадки кой модел да използвате.

Предварително обучените модели за времеви редове могат да правят прогнози, без да се обучават върху вашия набор от данни, но все пак трябва да изберете модел. Модел, който се справя добре с плавни индустриални сигнали, може да срещне трудности при шумно търсене на дребно или дълъг сезонен хоризонт, а най-добрият избор зависи от реда и задачата.

Granite Timeseries Ensemble свежда този избор до разумен стандартен вариант. Една рецепта комбинира четири допълващи се архитектури Granite и връща медианни и квантилни прогнози, без повторно обучение и без обучени тегла на ансамбъла. Започнете с Probabilistic Ensemble (равномерно обединяване на вероятностите), сравнете адаптивния Inter Quartile Range (IQR) Ensemble и разширете същия интерфейс със съвместими прогнозатори. Рецептата за ансамбъла и нейните стандартни членове Granite са лицензирани с разрешителен лиценз.

Идеята ще е позната от прогнозите за времето. Ансамбловите прогнози изследват набор от възможни изходи, а системи като Северноамериканския многомоделен ансамбъл комбинират различни модели за сезонно прогнозиране. Прогнозирането на времеви редове се възползва от това по сходен начин: допълващите се модели предлагат различни виждания за това, което предстои, а ансамбълът обединява тези виждания в една прогноза.

Изпробвайте Granite Timeseries Ensemble

Инсталирайте Granite TSFM и заредете препоръчаната рецепта с четири модела директно от Hugging Face:

pip install "granite-tsfm>=0.3.11"

import pandas as pd

from tsfm_public.models.ensemble.modeling_ensemble import QuantileEnsembleForecaster

df = pd.read_csv(
    "https://raw.githubusercontent.com/zhouhaoyi/ETDataset/main/ETT-small/ETTh1.csv",
    parse_dates=["date"],
)

ensemble = QuantileEnsembleForecaster.from_pretrained(
    "ibm-granite/granite-timeseries-ensemble-r1",
)

result = ensemble(
    df.tail(1024),
    timestamp_column="date",
    target_columns=["OT"],
    context_length=1024,
    prediction_length=24,
)

print(result.prediction_outputs) 
print(result.quantile_outputs)   

Рецептата съхранява конфигурацията на ансамбъла, а не обединени тегла на моделите. Тя изтегля контролните точки на четирите члена по време на изпълнение, така че предвидете допълнително време при първото стартиране. За пълната конфигурация, контролните точки на членовете, подробностите за оценяването и ограниченията вижте картата на модела.

result.prediction_outputs съдържа точковата прогноза, докато result.quantile_outputs съдържа квантилните прогнози, които по подразбиране варират от 0.1 до 0.9. Приложенията могат да използват точковата стойност като централна прогноза, а избрани квантили — за изразяване на диапазони на прогнозата. Например квантилите 0.1 и 0.9 определят централен интервал на прогнозата с номинално 80% покритие.

Членовете на ансамбъла

Стандартната рецепта комбинира четири предварително обучени модела Granite с различни архитектури:

За обща информация вижте статията за PatchTST-FM-r1, прегледа на архитектурата на PatchTST-FM-r2, статията за FlowState и статията за Tiny Time Mixers.

Тези архитектури улавят тенденциите, сезонността и локалните вариации по различни начини, така че грешките им не е задължително да съвпадат. 50-годишен преглед на комбинирането на прогнози описва как комбинирането на прогнози може да намали риска от избора на грешния единичен модел, като същевременно подчертава, че качеството и разнообразието на членовете все още имат значение.

Два начина за комбиниране на прогнозите

Всеки член връща квантилни прогнози. Двете основни рецепти използват различни правила, за да превърнат тези прогнози в едно прогнозно разпределение и неговата медиана.

Probabilistic Ensemble: препоръчителният стандартен вариант

Probabilistic Ensemble (равномерно обединяване на вероятностите) дава на всеки член еднакво влияние, обединява квантилните им прогнози в пространството на вероятностите и извлича заявените квантили от комбинираните стойности. Тъй като теглата са фиксирани, няма стъпка на напасване и няма хиперпараметри на теглата, които да се настройват за нов времеви ред.

Парадоксът при комбинирането на прогнози предлага полезна мотивация: при точковото прогнозиране простите комбинации с еднакви тегла често се представят добре спрямо методите с оценени тегла. Тази рецепта прилага същата идея за еднакво влияние към вероятностните прогнози. Тя е заредена по подразбиране в примера по-горе.

IQR Ensemble: адаптивна алтернатива

IQR Ensemble претегля членовете според ширината на прогнозния им диапазон, като дава по-голямо влияние на по-тесните интервали. Той апроксимира междуквартилния диапазон на всеки член от най-близките налични квантили около 25-ия и 75-ия персентил. Теглата варират според извадката, целевата стойност и стъпката на хоризонта и подобно на Probabilistic Ensemble нищо не се напасва спрямо исторически грешки на прогнозите. Изотоничната регресия не позволява на комбинираните квантили да се пресичат.

По-тесният интервал не означава непременно по-точна или по-добре калибрирана прогноза, а претеглянето по IQR може да облагодетелства прекалено самоуверен член. Ако искате да експериментирате, рецептата предоставя настройка за температурата (по-високите стойности придвижват теглата към равномерно разпределение) и незадължителна горна граница за теглото на всеки отделен член.

Заредете оценената IQR рецепта, като промените само подпапката:

ensemble = QuantileEnsembleForecaster.from_pretrained(
    "ibm-granite/granite-timeseries-ensemble-r1",
    subfolder="recipes/granite-iqr",
)

Кой метод трябва да използвам?

Започнете с Probabilistic Ensemble. Ако ширината на прогнозата изглежда информативна за вашето приложение, сравнете IQR Ensemble с него върху представителни данни, тъй като точността и калибрирането зависят от реда и хоризонта.

Ансамбълът подобрява ли резултатите на своите членове?

Оценихме и двете рецепти върху 97 конфигурации на набори от данни GIFT-Eval. Моделите правят прогнози без дообучаване, а тестовите цели не са използвани за избор или напасване на метода за агрегация. Тук сравняваме официалните резултати от изпращането на ансамбъла с четирите съставни модела, като използваме публикувани резултати и класирания от класацията, заснети на 20 октомври 2026 г.

GIFT-Eval отчита MASE за точкови прогнози и CRPS/MWQL (метриката на бенчмарка mean_weighted_sum_quantile_loss) за вероятностни прогнози. Резултатите са нормализирани спрямо Seasonal Naive и са осреднени геометрично по конфигурациите. По-ниското е по-добро.

★ Най-добра стойност сред показаните прогнози. По-ниското е по-добро.

Колоните с рангове представляват осреднени рангове за всяка конфигурация спрямо пълната референтна класация на GIFT-Eval, а не само спрямо тези шест прогнози, така че стойностите на ранговете могат да се променят с добавянето на нови записи в класацията.

И двата ансамбъла превъзхождат четирите отделни члена по съвкупния MASE и средния ранг по MASE. Probabilistic Ensemble постига най-ниския MASE сред тези шест прогнози: 0.683 в сравнение с 0.685 за PatchTST-FM-r2. По-ниският среден ранг по MASE показва по-силно относително представяне при точковото прогнозиране в разнообразните конфигурации на набори от данни на GIFT-Eval. Заедно тези резултати подкрепят ансамбъла като практична отправна точка, без разработчиците предварително да трябва да избират най-силната отделна архитектура. Предимството по MASE спрямо най-добрия единичен член е малко, така че основната полза е устойчивостта: получавате сравнима или по-добра съвкупна точност, без предварително да знаете коя архитектура ще е най-подходяща за вашите данни.

PatchTST-FM-r2 запазва най-ниския съвкупен резултат CRPS/MWQL. IQR Ensemble постига най-ниския среден ранг по CRPS сред тези шест прогнози, докато Probabilistic Ensemble се класира след PatchTST-FM-r2 по този показател. Следователно съвкупната грешка и средният ранг подкрепят различни избори.

При сравнението от 20 октомври 2026 г. ансамбловият подход заема 3-то място сред допустимите системи по ранг по MASE и ранг по CRPS. Фигурата по-долу показва двете рецепти заедно с десетте най-добри допустими референтни системи за всяка метрика. Някои системи, включително записи, изключени заради дообучаване или неразрешителни лицензи, се представят по-добре от всяка от двете рецепти, така че стойността на ансамбъла не е в това да оглавява класацията. Тя е в това, че един стандартен вариант осигурява силни и постоянни резултати при много редове, без да е необходимо да избирате член.

Фигура: Класиране по среден ранг в GIFT-Eval на 20 октомври 2026 г., показващо двата ансамбъла Granite заедно с десетте най-добри допустими референтни системи за всяка метрика. Допустимите системи разполагат с код за възпроизвеждане и нямат декларирано изтичане на тестови данни; записите с дообучаване и системите с известни неразрешителни лицензи или зависимости от членове са изключени. Стойностите на ранговете са взети директно от публикуваната моментна снимка на общата класация; филтрирането променя кои системи се показват, но не и стойностите им за ранг.

Разширете рецептата с други прогнозатори

Стандартната рецепта използва четири модела Granite, но общият интерфейс Forecaster приема и съвместими външни модели. Можете да промените състава на членовете или метода за агрегация и да запазите същия последващ формат на прогнозата, без обединяване или повторно обучение на контролните точки на членовете. Това улеснява интегрирането на ансамбъла в съществуващ стек за прогнозиране и добавянето на прогнозатори, подходящи за вашия домейн, с развитието на нуждите ви.

Хранилището включва и разширени рецепти, които добавят контролни точки на IBM Research. За тях важат отделни лицензионни условия, включително ограничения за некомерсиална употреба и изследователска употреба, затова прегледайте картата на модела на всеки член, преди да ги използвате.

При всяка нова комбинация проверявайте съвместимостта на прогнозите, точността, калибрирането, латентността и лицензирането.

Оценете рецептата за вашето приложение

GIFT-Eval е широк бенчмарк, но съвкупните подобрения не означават, че всеки ред има полза, а средните рангове не доказват калибриране. Начинът да разберете как се държат рецептите във вашето приложение е да ги тествате обратно върху представителни данни:

• Съобразете с вашия случай на употреба. Използвайте исторически прозорци за прогнозиране, които отразяват наличните данни при всеки момент на започване на прогнозата, необходимия хоризонт и редовете, които очаквате да обслужвате.
• Сравнявайте съпоставими неща. Изпълнете Probabilistic Ensemble, IQR Ensemble и силен отделен член (например PatchTST-FM-r2) върху едни и същи прозорци.
• Гледайте отвъд точковата грешка. Оценете загубата на квантилите заедно с MASE и проверете емпиричното покритие на интервала от 0.1 до 0.9 спрямо номиналните 80%.
• Измерете разходите. Запишете времето за изпълнение и използването на памет, за да прецените дали ползата от комбинирането на четири модела оправдава това за вашето работно натоварване.

Имайте предвид две ограничения. Текущата рецепта прогнозира многомерните канали независимо, без да използва информация между каналите, и зарежда четири контролни точки на членове, което увеличава времето за извеждане и използваната памет спрямо един член. Ограниченията за контекста на членовете, хоризонтите, предварителната обработка и обработката на липсващи стойности също се различават, а нито един от методите за агрегация не гарантира калибриране или устойчивост при промяна на разпределението, така че продължете да наблюдавате прогнозите след внедряването.

Изпробвайте го върху вашите данни

Препоръчителната отправна точка е стандартната рецепта с четири модела:

• Granite Timeseries Ensemble в Hugging Face
• Бележник за начинаещи
• Хранилище на Granite TSFM
• Бенчмарк GIFT-Eval

Заредете стандартната рецепта, за да получите медианни и квантилни прогнози от четирите архитектури Granite с едно извикване, и адаптирайте рецептата с развитието на нуждите ви.

Източници

• ECMWF: Ансамблово прогнозиране на времето

• NOAA: Северноамерикански многомоделен ансамбъл

• FlowState: Прогнозиране на времеви редове, еквивариантно спрямо честотата на извадките

• Tiny Time Mixers (TTMs): Бързи предварително обучени модели за подобрено прогнозиране на многомерни времеви редове в условията на нулев или малък брой примери

• Повторно разглеждане на общия трансформър: Деконструиране на силна базова линия за фундаментални модели за времеви редове

• Комбинации от прогнози: преглед на над 50 години

• Smith и Wallis (2009), Просто обяснение на парадокса при комбинирането на прогнози

Модели, споменати в тази статия 5

Пространства, споменати в тази статия 1

Още от този автор

ALTK-Evolve: Как научената памет оглавява класацията на τ²-bench при задачи за обслужване на клиенти без водещ модел

• 

25

20 октомври 2026 г.

Вашият агент изпълни задачата отлично. Ще го направи ли отново?

• 

122

15 септември 2026 г.