Ансамблеве прогнозування з моделями часових рядів IBM Granite

Назад до статей

Ансамблеве прогнозування за допомогою часових моделей IBM Granite

Для підприємств Стаття

Опубліковано 22 жовтня 2026 року

Chandramouli Kamanchi

Чотири відкриті моделі Granite, розширюваний інтерфейс прогнозування та менше здогадок щодо того, яку модель обрати.

Попередньо навчені моделі часових рядів можуть створювати прогнози без навчання на вашому наборі даних, але модель усе одно потрібно обрати. Модель, яка добре працює з плавними промисловими сигналами, може мати труднощі з шумним роздрібним попитом або довгим сезонним горизонтом, а найкращий вибір залежить від ряду та завдання.

Granite Timeseries Ensemble зводить цей вибір до обґрунтованого стандартного варіанта. Один рецепт поєднує чотири комплементарні архітектури Granite та повертає медіанні й квантильні прогнози без повторного навчання та без навчених ваг ансамблю. Почніть із Probabilistic Ensemble (рівномірне об’єднання ймовірностей), порівняйте адаптивний IQR Ensemble (ансамбль міжквартильного діапазону) та розширюйте той самий інтерфейс сумісними прогнозувальниками. Рецепт ансамблю та його стандартні моделі Granite мають дозвільні ліцензії.

Ця ідея знайома за прогнозуванням погоди. Ансамблеві прогнози досліджують діапазон можливих результатів, а такі системи, як Північноамериканський мультимодельний ансамбль, поєднують різні моделі для сезонного прогнозування. Прогнозування часових рядів дає подібні переваги: комплементарні моделі пропонують різні уявлення про те, що буде далі, а ансамбль об’єднує їх в один прогноз.

Спробуйте Granite Timeseries Ensemble

Установіть Granite TSFM і завантажте рекомендований рецепт із чотирьох моделей безпосередньо з 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 зберігає конфігурацію ансамблю, а не об’єднані ваги моделей. Він завантажує контрольні точки чотирьох моделей під час виконання, тому перший запуск може тривати довше. Повну конфігурацію, контрольні точки моделей, деталі оцінювання та обмеження наведено в картці моделі.

result.prediction_outputs містить точковий прогноз, а result.quantile_outputs — квантильні прогнози, які за замовчуванням охоплюють діапазон від 0.1 до 0.9. Застосунки можуть використовувати точкове значення як центральний прогноз, а вибрані квантілі — для вираження діапазонів прогнозу. Наприклад, квантілі 0.1 і 0.9 визначають центральний інтервал прогнозу з номінальним покриттям 80%.

Компоненти ансамблю

Стандартний рецепт поєднує чотири попередньо навчені моделі Granite з різними архітектурами:

Модель	Архітектура
Granite PatchTST-FM-r1	Трансформер із патчами
Granite PatchTST-FM-r2	Conformer із патчами
Granite FlowState-r1.1	Модель простору станів
Granite TTM-r3	Tiny Time Mixers (міксер MLP)

Довідкові матеріали див. у статті про PatchTST-FM-r1, огляді архітектури PatchTST-FM-r2, статті про FlowState та статті про Tiny Time Mixers.

Ці архітектури по-різному фіксують тренди, сезонність і локальні варіації, тому їхні помилки не обов’язково збігаються. Огляд комбінацій прогнозів за 50 років описує, як поєднання прогнозів може зменшити ризик вибору неправильної окремої моделі, водночас наголошуючи, що якість і різноманітність компонентів усе ще мають значення.

Два способи поєднання прогнозів

Кожен компонент повертає квантильні прогнози. У двох основних рецептах використовуються різні правила для перетворення цих прогнозів на один прогнозований розподіл і його медіану.

Probabilistic Ensemble: рекомендований стандартний варіант

Probabilistic Ensemble (рівномірне об’єднання ймовірностей) надає кожному компоненту однаковий вплив, об’єднує їхні квантильні прогнози в просторі ймовірностей і виділяє потрібні квантілі з об’єднаних значень. Оскільки ваги фіксовані, немає етапу навчання та гіперпараметрів ваг, які потрібно налаштовувати для нового ряду.

Парадокс комбінування прогнозів дає корисне обґрунтування: у точковому прогнозуванні прості комбінації з однаковими вагами часто добре показували себе порівняно з методами з оціненими вагами. Цей рецепт застосовує ту саму ідею однакового впливу до ймовірнісних прогнозів. Саме його завантажено за замовчуванням у наведеному вище прикладі.

IQR Ensemble: адаптивна альтернатива

IQR Ensemble зважує компоненти відповідно до розкиду їхніх прогнозів, надаючи більший вплив вужчим інтервалам. Він наближено обчислює міжквартильний діапазон кожного компонента за найближчими доступними квантілями навколо 25-го та 75-го процентилів. Ваги змінюються залежно від вибірки, цільового показника та кроку горизонту, і, як і в Probabilistic Ensemble, нічого не навчається на історичних помилках прогнозування. Ізотонічна регресія не дає об’єднаним квантілям перетинатися.

Вужчий інтервал не обов’язково означає точніший або краще калібрований прогноз, а зважування IQR може надавати перевагу надто впевненому компоненту. Якщо ви хочете експериментувати, рецепт має параметр температури (вищі значення наближають ваги до рівномірних) і необов’язкове обмеження ваги будь-якого окремого компонента.

Завантажте оцінений рецепт IQR, змінивши лише підпапку:

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

Який метод використовувати?

Ваша мета	Почніть із	Чому
Простий стандартний варіант	Probabilistic Ensemble	Однаковий вплив, без навчених ваг
Адаптивне зважування на основі розкиду прогнозу	IQR Ensemble	Вплив змінюється залежно від прогнозованого розкиду кожного компонента

Почніть із Probabilistic Ensemble. Якщо розкид прогнозу здається інформативним для вашого застосунку, порівняйте IQR Ensemble із ним на репрезентативних даних, оскільки точність і калібрування залежать від ряду та горизонту.

Чи покращує ансамбль результати своїх компонентів?

Ми оцінили обидва рецепти на 97 конфігураціях набору даних GIFT-Eval. Моделі створювали прогнози без донавчання, а тестові цільові значення не використовувалися для вибору або навчання методу агрегування. Тут ми порівнюємо офіційні результати подання ансамблів із чотирма складовими моделями, використовуючи опубліковані оцінки та місця в рейтингу, зафіксовані 20 жовтня 2026 року.

GIFT-Eval використовує MASE для точкових прогнозів і CRPS/MWQL (метрику бенчмарку mean_weighted_sum_quantile_loss) для ймовірнісних прогнозів. Оцінки нормалізовано за Seasonal Naive та усереднено геометрично між конфігураціями. Менше — краще.

Прогноз	MASE ↓	Місце MASE ↓	CRPS / MWQL ↓	Місце CRPS ↓
Granite Ensemble R1 — Prob	0.683★	47.175★	0.471	50.948
Granite Ensemble R1 — IQR	0.684	48.773	0.471	47.619★
Granite PatchTST-FM-r2	0.685	51.371	0.467★	48.918
Granite FlowState-r1.1	0.701	66.474	0.490	69.485
Granite PatchTST-FM-r1	0.717	74.794	0.488	68.134
Granite TTM-r3	0.724	83.062	0.520	88.959

★ Найкраще значення серед наведених прогнозів. Менше — краще.

Стовпці з місцями усереднюють місця для кожної конфігурації порівняно з повним еталонним рейтингом GIFT-Eval, а не лише з цими шістьма прогнозами, тому значення місць можуть змінюватися в міру додавання нових записів до рейтингу.

Обидва ансамблі перевершують усі чотири окремі компоненти за сукупним MASE і середнім місцем MASE. Probabilistic Ensemble досягає найнижчого MASE серед цих шести прогнозів: 0.683 проти 0.685 у PatchTST-FM-r2. Нижче середнє місце MASE означає кращі відносні результати точкового прогнозування на різноманітних конфігураціях наборів даних GIFT-Eval. Разом ці результати підтверджують, що ансамбль є практичною відправною точкою й не вимагає від розробників заздалегідь обирати найсильнішу окрему архітектуру. Перевага MASE над найкращим окремим компонентом невелика, тож головна користь полягає в надійності: ви отримуєте порівнянну або кращу сукупну точність, не знаючи заздалегідь, яка архітектура найкраще підійде вашим даним.

PatchTST-FM-r2 зберігає найнижчу сукупну оцінку CRPS/MWQL. IQR Ensemble досягає найкращого середнього місця CRPS серед цих шести прогнозів, тоді як Probabilistic Ensemble поступається PatchTST-FM-r2 за цим показником. Отже, сукупна похибка та середнє місце дають підстави для різного вибору.

У порівнянні від 20 жовтня 2026 року ансамблевий підхід посідає 3-тє місце серед допущених систем за місцями MASE і CRPS. На рисунку нижче показано обидва рецепти разом із десятьма найкращими допущеними еталонними системами за кожною метрикою. Деякі системи, зокрема записи, виключені через донавчання або недозвільні ліцензії, показують кращі результати, ніж будь-який із двох рецептів, тому цінність ансамблю не в тому, що він очолює рейтинг. Вона полягає в тому, що один стандартний варіант забезпечує сильні й стабільні результати для багатьох рядів без необхідності обирати окремий компонент.

Рисунок: результати за середнім місцем у GIFT-Eval станом на 20 жовтня 2026 року, де обидва ансамблі Granite показано поруч із десятьма найкращими допущеними еталонними системами за кожною метрикою. Допущені системи мають код відтворення та не мають заявленого витоку тестових даних; записи з донавчанням і системи з відомими недозвільними ліцензіями або залежностями від компонентів виключено. Значення місць безпосередньо взято з опублікованого знімка загального рейтингу; фільтрація змінює перелік відображених систем, але не їхні значення місць.

Розширте рецепт іншими прогнозувальниками

Стандартний рецепт використовує чотири моделі Granite, але спільний інтерфейс Forecaster також приймає сумісні зовнішні моделі. Ви можете змінити склад компонентів або метод агрегування й зберегти той самий формат підсумкового прогнозу без об’єднання чи повторного навчання контрольних точок компонентів. Це спрощує інтеграцію ансамблю в наявний стек прогнозування та додавання прогнозувальників, що відповідають вашій предметній області в міру зміни потреб.

Репозиторій також містить розширені рецепти, які додають контрольні точки IBM Research. Для них діють окремі умови ліцензії, зокрема обмеження на комерційне використання та використання в дослідженнях, тому перед використанням перегляньте картку кожної моделі.

Для будь-якої нової комбінації перевіряйте сумісність прогнозів, точність, калібрування, затримку та ліцензування.

Оцініть рецепт для свого застосунку

GIFT-Eval є широким бенчмарком, але сукупні покращення не означають, що кожен ряд отримає переваги, а середні місця не встановлюють калібрування. Щоб з’ясувати, як рецепти працюють для вашого застосунку, протестуйте їх ретроспективно на репрезентативних даних:

Відповідність вашому сценарію використання. Використовуйте історичні вікна прогнозування, які відображають доступні дані в кожний момент прогнозування, потрібний вам горизонт і ряди, які ви плануєте обслуговувати.
Порівнюйте зіставне. Запустіть Probabilistic Ensemble, IQR Ensemble і сильний окремий компонент (наприклад, PatchTST-FM-r2) на однакових вікнах.
Дивіться не лише на точкову похибку. Оцінюйте втрати квантілів разом із MASE і перевіряйте емпіричне покриття інтервалу від 0.1 до 0.9 порівняно з його номінальним покриттям 80%.
Вимірюйте витрати. Фіксуйте час виконання та використання пам’яті, щоб оцінити, чи виправдовує перевага від об’єднання чотирьох моделей навантаження у вашому робочому процесі.

Пам’ятайте про два обмеження. Поточний рецепт прогнозує багатовимірні канали незалежно, не використовуючи інформацію між каналами, і завантажує контрольні точки чотирьох компонентів, що збільшує час інференсу та використання пам’яті порівняно з одним компонентом. Обмеження контексту, горизонти, попередня обробка та робота з пропущеними значеннями також відрізняються, і жоден метод агрегування не гарантує калібрування чи надійність за зміни розподілу, тому після розгортання продовжуйте моніторити прогнози.

Спробуйте на своїх даних

Рекомендована відправна точка — стандартний рецепт із чотирьох моделей:

Завантажте стандартний рецепт, щоб одним викликом отримати медіанні та квантильні прогнози з усіх чотирьох архітектур Granite, і адаптуйте рецепт у міру зміни потреб.