目次
IBM Granite Timeseries Ensembleは、4つの事前学習済みモデルを1つの予測インターフェースにまとめ、データを試す前にアーキテクチャを選ぶ手間を減らします。まずは等重みのProbabilistic Ensembleを使い、ベンチマークでのわずかな改善が4モデルを動かすコストに見合うかを確認しましょう。
要点#
- デフォルトのレシピは、構成モデルの再学習やアンサンブルの重みの学習なしで、中央値予測と分位点予測を返します。
- GIFT-Evalの97構成において、Probabilistic EnsembleのMASEは0.683で、最も優れた単体モデルの0.685を上回りました。
- IQR Ensembleは予測のばらつきに応じて重みを調整しますが、区間の狭さは過信の表れである可能性もあります。
- 4モデルのチェックポイントを使うと推論時間とメモリ使用量が増えるため、精度、区間被覆率、運用コストを併せて測定しましょう。
レシピの構成#
デフォルトのレシピには、アーキテクチャの異なる4つのGraniteモデルが含まれています。
| モデル | アーキテクチャ | |---|---| | Granite PatchTST-FM-r1 | パッチ型Transformer | | Granite PatchTST-FM-r2 | パッチ型Conformer | | Granite FlowState-r1.1 | 状態空間モデル | | Granite TTM-r3 | MLPミキサー |
これらのモデルは、同じ時系列でも異なる誤りを起こすことがあります。予測を組み合わせることで、事前に最良の単体モデルを選ぶことへの依存を減らせますが、すべてのデータセットで改善する保証はありません。
レシピに保存されるのは、統合された重みではなく設定です。構成モデルのチェックポイントは実行時にダウンロードされるため、初回実行には追加のダウンロード時間が必要です。デフォルトのレシピとそのGranite構成モデルは制約の少ないライセンスを採用していますが、ほかのIBM Researchのチェックポイントを含む拡張レシピには、非商用や研究用途限定の制約がある場合があります。
統合方法を選ぶ#
標準として推奨されるのはProbabilistic Ensembleです。各構成モデルに等しい影響力を与え、確率空間で予測を統合し、要求された分位点を抽出します。過去データで学習するアンサンブルの重みはありません。
IQR Ensembleは、予測のばらつきが小さい構成モデルを重視します。重みはサンプル、予測対象、予測ステップごとに変化します。利用可能な分位点から四分位範囲を推定し、アイソトニック回帰を用いて統合後の分位点の交差を防ぎます。
IQRによる重み付けは、代表的なデータで比較してから使いましょう。確信度の高いモデルでも誤ることはあります。レシピには、値を高くするほど重みが均等に近づく温度設定と、各構成モデルの重みに上限を設けるオプションがあります。評価に使われたこの代替レシピは、subfolder="recipes/granite-iqr"で読み込めます。
デフォルトのレシピを実行する#
granite-tsfm>=0.3.11をインストールし、Hugging Faceからレシピを読み込みます。この例では、1時間ごとの観測値1,024件を使って、次の24ステップを予測します。
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)prediction_outputsには中央値による点予測が含まれます。quantile_outputsには分位点予測が含まれ、デフォルトでは0.1から0.9までを出力します。0.1分位点と0.9分位点は、公称被覆率80%の区間を定義します。実際の被覆率は、観測結果と照合して確認する必要があります。
ベンチマークを慎重に読み解く#
提供されたIBMの記事では、2026年10月20日に取得したリーダーボードのスコアに基づき、GIFT-Evalの97構成にわたる結果を報告しています。モデルはファインチューニングなしで実行され、集約方法の選択や学習にテストの正解値は使われていません。スコアは低いほど良好です。
| 予測手法 | MASE | CRPS/MWQL | |---|---:|---:| | Probabilistic Ensemble | 0.683 | 0.471 | | IQR Ensemble | 0.684 | 0.471 | | PatchTST-FM-r2 | 0.685 | 0.467 |
両アンサンブルは集計MASEで4つすべての構成モデルを上回りましたが、PatchTST-FM-r2との差はわずかです。集計された確率予測スコアでは、PatchTST-FM-r2のほうが優れています。IQRはこれら6つの予測手法の中で確率予測の平均順位が最も高く、集計誤差と平均順位では有利になる選択肢が異なり得ることを示しています。
これらの結果は、アンサンブルを試す根拠として捉えましょう。自分の時系列で性能が向上することや、予測区間が適切に較正されていることを示すものではありません。
精度と運用コストを確認する#
Probabilistic Ensemble、IQR Ensemble、PatchTST-FM-r2を、過去の同じ予測区間でバックテストします。各予測起点で利用可能だった観測値だけを使い、用途に必要な予測期間で評価しましょう。
- 点予測の精度はMASE、確率予測の精度は分位点損失で測定します。
- 観測値のおよそ80%が0.1〜0.9分位点の区間内に入るかを確認します。
- 代表的なワークロードで実行時間とピークメモリ使用量を記録します。
- 集計スコアでは不得意なケースが隠れることがあるため、時系列別、予測期間別に結果を確認します。
現在のレシピは、多変量の各チャネルを、チャネル間の情報を使わず独立に予測します。また、対応するコンテキスト長、予測期間、前処理、欠損値の扱いも構成モデルごとに異なります。どちらの統合方法も、データのパターンが変化した際の較正や信頼性を保証しません。
次のステップ#
本番で使う予測期間で、デフォルトのレシピとPatchTST-FM-r2を比較するバックテストを実行し、MASE、分位点損失、80%区間の被覆率、実行時間、ピークメモリ使用量を記録しましょう。
出典: https://huggingface.co/blog/ibm-research/granite-timeseries-ensemble-r1
目次
