Ансамблевое прогнозирование с моделями временных рядов IBM Granite

Четыре открытые модели Granite, один расширяемый интерфейс прогнозирования и меньше догадок о том, какую модель выбрать.

Предварительно обученные модели временных рядов могут строить прогнозы без обучения на вашем наборе данных, однако выбрать модель всё равно необходимо. Модель, хорошо работающая с плавными промышленными сигналами, может испытывать трудности с зашумлённым розничным спросом или длинным сезонным горизонтом, а оптимальный выбор зависит от ряда и задачи.

Granite Timeseries Ensemble превращает этот выбор в разумный вариант по умолчанию. Один рецепт объединяет четыре дополняющие друг друга архитектуры Granite и возвращает медианные и квантильные прогнозы — без дообучения и без подгонки весов ансамбля. Начните с Probabilistic Ensemble (равномерное объединение вероятностей), сравните его с адаптивным IQR Ensemble (межквартильный размах) и расширьте тот же интерфейс совместимыми прогнозными моделями. Рецепт ансамбля и входящие в него модели Granite распространяются по разрешительным лицензиям.

Эта идея знакома по прогнозированию погоды. Ансамблевые прогнозы исследуют диапазон возможных результатов, а такие системы, как Североамериканский мультимодельный ансамбль, объединяют разные модели для сезонного прогнозирования. Прогнозирование временных рядов получает аналогичные преимущества: дополняющие друг друга модели предлагают разные представления о том, что произойдёт дальше, а ансамбль объединяет их в единый прогноз.

Попробуйте Granite Timeseries Ensemble

Установите Granite TSFM и загрузите рекомендуемый рецепт из четырёх моделей непосредственно из 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)   

Рецепт хранит конфигурацию ансамбля, а не объединённые веса моделей. Во время выполнения он загружает контрольные точки всех четырёх компонентов, поэтому первый запуск может занять больше времени. Полную конфигурацию, контрольные точки компонентов, подробности оценки и ограничения см. в карточке модели.

result.prediction_outputs содержит точечный прогноз, а result.quantile_outputs — квантильные прогнозы, которые по умолчанию находятся в диапазоне от 0.1 до 0.9. Приложения могут использовать точечное значение как центральный прогноз, а выбранные квантили — для выражения диапазонов прогноза. Например, квантили 0.1 и 0.9 задают центральный прогнозный интервал с номинальным покрытием 80%.

Компоненты ансамбля

Рецепт по умолчанию объединяет четыре предварительно обученные модели Granite с разными архитектурами:

Общие сведения см. в статье о PatchTST-FM-r1, обзоре архитектуры PatchTST-FM-r2, статье о FlowState и статье о Tiny Time Mixers.

Эти архитектуры по-разному улавливают тренды, сезонность и локальные изменения, поэтому их ошибки не обязаны совпадать. В обзоре комбинаций прогнозов за 50 лет описано, как объединение прогнозов может снизить риск выбора неправильной единственной модели, при этом подчёркивается, что качество и разнообразие компонентов по-прежнему важны.

Два способа объединения прогнозов

Каждый компонент возвращает квантильные прогнозы. Два основных рецепта используют разные правила, чтобы превратить эти прогнозы в единое прогнозное распределение и его медиану.

Probabilistic Ensemble: рекомендуемый вариант по умолчанию

Probabilistic Ensemble (равномерное объединение вероятностей) придаёт каждому компоненту одинаковое влияние, объединяет их квантильные прогнозы в пространстве вероятностей и извлекает запрошенные квантили из объединённых значений. Поскольку веса фиксированы, этап подгонки отсутствует, равно как и гиперпараметры весов, которые нужно настраивать для нового ряда.

Парадокс объединения прогнозов даёт полезную мотивацию: при точечном прогнозировании простые комбинации с равными весами часто успешно конкурировали с методами с оцениваемыми весами. Этот рецепт переносит ту же идею равного влияния на вероятностные прогнозы. Именно он загружается по умолчанию в приведённом выше примере.

IQR Ensemble: адаптивная альтернатива

IQR Ensemble назначает компонентам веса в соответствии с разбросом их прогнозов, придавая больший вес более узким интервалам. Он приближённо вычисляет межквартильный размах каждого компонента по ближайшим доступным квантилям вокруг 25-го и 75-го процентилей. Веса меняются для каждого образца, целевого показателя и шага горизонта; как и в Probabilistic Ensemble, они не подбираются по историческим ошибкам прогнозов. Изотоническая регрессия не позволяет объединённым квантилям пересекаться.

Более узкий интервал не обязательно означает более точный или лучше откалиброванный прогноз, а взвешивание по IQR может отдавать предпочтение чрезмерно уверенному компоненту. Если вы хотите поэкспериментировать, рецепт предоставляет настройку температуры (более высокие значения приближают веса к равномерным) и необязательное ограничение веса отдельного компонента.

Загрузите оценённый рецепт IQR, изменив только вложенную папку:

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

Какой метод выбрать?

Начните с Probabilistic Ensemble. Если разброс прогнозов кажется информативным для вашего приложения, сравните IQR Ensemble с ним на репрезентативных данных, поскольку точность и калибровка зависят от ряда и горизонта.

Улучшает ли ансамбль результаты отдельных компонентов?

Мы оценили оба рецепта на 97 конфигурациях наборов данных GIFT-Eval. Модели строили прогнозы без дообучения, а тестовые целевые значения не использовались для выбора или подгонки метода агрегации. Здесь мы сравниваем официальные результаты ансамблей с четырьмя составляющими их моделями, используя опубликованные оценки и места в рейтинге, зафиксированные 20 октября 2026 года.

GIFT-Eval сообщает показатель MASE для точечных прогнозов и CRPS/MWQL (метрику бенчмарка mean_weighted_sum_quantile_loss) для вероятностных прогнозов. Оценки нормализованы относительно Seasonal Naive и усреднены геометрически по конфигурациям. Чем ниже, тем лучше.

★ Лучшее значение среди представленных прогнозов. Чем ниже, тем лучше.

Столбцы с местами содержат средние места по каждой конфигурации относительно полного эталонного рейтинга GIFT-Eval, а не только этих шести прогнозов, поэтому значения могут меняться по мере добавления новых записей в рейтинг.

Оба ансамбля превосходят все четыре отдельных компонента по совокупному MASE и среднему месту по MASE. Probabilistic Ensemble показывает наименьший MASE среди этих шести прогнозов: 0.683 против 0.685 у PatchTST-FM-r2. Более низкое среднее место по MASE указывает на более высокое относительное качество точечных прогнозов в разнообразных конфигурациях наборов данных GIFT-Eval. В совокупности эти результаты подтверждают, что ансамбль является практичной отправной точкой и избавляет разработчиков от необходимости заранее выбирать наиболее сильную отдельную архитектуру. Преимущество по MASE над лучшим отдельным компонентом невелико, поэтому главный выигрыш — устойчивость: вы получаете сопоставимую или более высокую совокупную точность, не зная заранее, какая архитектура лучше подойдёт вашим данным.

PatchTST-FM-r2 сохраняет наименьшую совокупную оценку CRPS/MWQL. IQR Ensemble достигает наименьшего среднего места по CRPS среди этих шести прогнозов, тогда как Probabilistic Ensemble уступает PatchTST-FM-r2 по этому показателю. Таким образом, совокупная ошибка и среднее место указывают на разные варианты.

В сравнении от 20 октября 2026 года ансамблевый подход занимает третье место среди подходящих систем по месту MASE и месту CRPS. На рисунке ниже показаны оба рецепта вместе с десятью лучшими подходящими эталонными системами по каждой метрике. Некоторые системы, включая исключённые записи с дообучением или с неразрешительными лицензиями, показывают лучшие результаты, чем любой из рецептов, поэтому ценность ансамбля не в том, что он возглавляет рейтинг. Ценность в том, что один вариант по умолчанию обеспечивает высокие и стабильные результаты на множестве рядов, не требуя выбора отдельного компонента.

Рисунок: средние места в GIFT-Eval по состоянию на 20 октября 2026 года; показаны оба ансамбля Granite и десять лучших подходящих эталонных систем по каждой метрике. Подходящие системы имеют код для воспроизведения и не заявляют об утечке тестовых данных; записи с дообучением и системы с известными неразрешительными лицензиями или зависимостями от компонентов исключены. Значения мест взяты непосредственно из опубликованного снимка общего рейтинга; фильтрация меняет отображаемые системы, но не их значения мест.

Расширьте рецепт другими прогнозными моделями

В рецепте по умолчанию используются четыре модели Granite, однако общий интерфейс Forecaster также принимает совместимые внешние модели. Можно изменить состав компонентов или метод агрегации и сохранить тот же формат последующего прогноза — без объединения или дообучения контрольных точек компонентов. Это упрощает интеграцию ансамбля в существующий стек прогнозирования и добавление моделей, подходящих для вашей предметной области по мере изменения потребностей.

Репозиторий также содержит расширенные рецепты, включающие контрольные точки IBM Research. Для них действуют отдельные условия лицензирования, включая ограничения на коммерческое использование и использование в исследовательских целях, поэтому перед применением изучите карточку каждой модели.

Для любой новой комбинации проверьте совместимость прогнозов, точность, калибровку, задержку и лицензирование.

Оцените рецепт для своего приложения

GIFT-Eval — это широкий бенчмарк, однако совокупный выигрыш не означает, что пользу получит каждый ряд, а средние места не подтверждают калибровку. Чтобы выяснить, как рецепты ведут себя в вашем приложении, проведите их бэктестирование на репрезентативных данных:

• Соотнесите с вашим сценарием использования. Используйте исторические окна прогнозирования, отражающие данные, доступные в каждый момент построения прогноза, необходимый вам горизонт и ряды, которые вы планируете обслуживать.
• Сравнивайте сопоставимые варианты. Запустите Probabilistic Ensemble, IQR Ensemble и сильный отдельный компонент (например, PatchTST-FM-r2) на одинаковых окнах.
• Выходите за рамки точечной ошибки. Оценивайте квантильную ошибку вместе с MASE и проверяйте эмпирическое покрытие интервала от 0.1 до 0.9 относительно его номинального значения 80%.
• Измеряйте стоимость. Фиксируйте время выполнения и использование памяти, чтобы определить, оправдывает ли выигрыш от объединения четырёх моделей затраты для вашей рабочей нагрузки.

Помните о двух ограничениях. Текущий рецепт прогнозирует многомерные каналы независимо, не используя информацию между каналами, и загружает четыре контрольные точки компонентов, что увеличивает время вывода и потребление памяти по сравнению с одним компонентом. Ограничения контекста, горизонты, предварительная обработка и обработка пропущенных значений также различаются, а ни один из методов агрегации не гарантирует калибровку или устойчивость при сдвиге распределения, поэтому продолжайте отслеживать прогнозы после развёртывания.

Попробуйте на своих данных

Рекомендуемая отправная точка — рецепт из четырёх моделей по умолчанию:

• Granite Timeseries Ensemble на Hugging Face
• Ноутбук для начала работы
• Репозиторий Granite TSFM
• Бенчмарк GIFT-Eval

Загрузите рецепт по умолчанию, чтобы одним вызовом получить медианные и квантильные прогнозы от всех четырёх архитектур Granite, и адаптируйте рецепт по мере изменения ваших потребностей.

Ссылки

• ECMWF: ансамблевое прогнозирование погоды

• NOAA: Североамериканский мультимодельный ансамбль

• FlowState: прогнозирование временных рядов, эквивариантное относительно частоты дискретизации

• Tiny Time Mixers (TTMs): быстрые предварительно обученные модели для улучшенного прогнозирования многомерных временных рядов в режимах zero-shot и few-shot

• Повторный взгляд на универсальный трансформер: деконструкция сильного базового решения для базовых моделей временных рядов

• Комбинации прогнозов: обзор более чем 50 лет исследований

• Smith и Wallis (2009), Простое объяснение парадокса объединения прогнозов

Модели, упомянутые в этой статье 5

Пространства, упомянутые в этой статье 1

Другие материалы этого автора

ALTK-Evolve: как обучаемая память возглавляет рейтинг τ²-bench в задачах обслуживания клиентов без передовой модели

• 

25

20 октября 2026 г.

Ваш агент отлично справился с задачей. Повторит ли он это снова?

• 

122

15 сентября 2026 г.