目录

IBM Granite Timeseries Ensemble 将 4 个预训练模型整合到一个预测接口中,减少了在试用数据前选择架构的麻烦。先使用等权重的 Probabilistic Ensemble,确认基准测试中的微小改进是否值得运行 4 个模型的成本。

要点#

  • 默认配方无需重新训练组成模型或学习集成权重,即可返回中位数预测和分位数预测。
  • 在 GIFT-Eval 的 97 种配置中,Probabilistic Ensemble 的 MASE 为 0.683,优于最佳单模型的 0.685。
  • IQR Ensemble 根据预测的离散程度调整权重,但区间较窄也可能反映过度自信。
  • 使用 4 个模型的检查点会增加推理时间和内存占用,因此应同时衡量精度、区间覆盖率和运行成本。

配方组成#

默认配方包含 4 个架构不同的 Granite 模型。

| 模型 | 架构 | |---|---| | Granite PatchTST-FM-r1 | 分块式 Transformer | | Granite PatchTST-FM-r2 | 分块式 Conformer | | Granite FlowState-r1.1 | 状态空间模型 | | Granite TTM-r3 | MLP 混合器 |

这些模型即使面对同一时间序列,也可能出现不同的错误。组合预测可以减少对预先选出最佳单模型的依赖,但不能保证在所有数据集上都有改进。

配方中保存的是配置,而非合并后的权重。组成模型的检查点会在运行时下载,因此首次运行需要额外的下载时间。默认配方及其 Granite 组成模型采用宽松的许可证,但包含其他 IBM Research 检查点的扩展配方可能存在非商业或仅限研究用途的限制。

选择集成方法#

标准推荐方法是 Probabilistic Ensemble。它赋予各组成模型相同的影响力,在概率空间中融合预测,并提取所需的分位数。它没有需要用历史数据学习的集成权重。

IQR Ensemble 更重视预测离散程度较小的组成模型。权重随样本、预测目标和预测步长而变化。它根据可用的分位数估计四分位距,并使用保序回归防止融合后的分位数交叉。

使用 IQR 加权前,应先在有代表性的数据上进行比较。高置信度模型也可能出错。配方提供温度设置,值越高,权重越接近均等;还提供为各组成模型权重设置上限的选项。评估中使用的这一备选配方可通过 subfolder="recipes/granite-iqr" 加载。

运行默认配方#

安装 granite-tsfm>=0.3.11,并从 Hugging Face 加载配方。本例使用 1,024 条每小时观测值,预测接下来的 24 个时间步。

snippet.py
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 包含以中位数表示的点预测。quantile_outputs 包含分位数预测,默认输出 0.1 到 0.9 的分位数。0.1 分位数和 0.9 分位数界定了名义覆盖率为 80% 的区间。实际覆盖率需要与观测结果对照确认。

谨慎解读基准测试#

所提供的 IBM 文章根据 2026 年 10 月 20 日获取的排行榜分数,报告了 GIFT-Eval 的 97 种配置下的结果。模型未经微调直接运行,集成方法的选择或学习未使用测试集真实值。分数越低越好。

| 预测方法 | MASE | CRPS/MWQL | |---|---:|---:| | Probabilistic Ensemble | 0.683 | 0.471 | | IQR Ensemble | 0.684 | 0.471 | | PatchTST-FM-r2 | 0.685 | 0.467 |

两种集成方法的汇总 MASE 均优于全部 4 个组成模型,但与 PatchTST-FM-r2 的差距很小。在汇总概率预测分数上,PatchTST-FM-r2 表现更好。IQR 在这 6 种预测方法中的概率预测平均排名最高,说明汇总误差与平均排名所偏好的选项可能不同。

应将这些结果视为尝试集成方法的依据。它们并不能证明你的时间序列预测性能会提高,也不能证明预测区间已得到适当校准。

检查精度与运行成本#

在相同的历史预测区间上,对 Probabilistic Ensemble、IQR Ensemble 和 PatchTST-FM-r2 进行回测。仅使用各预测起点当时可用的观测值,并按实际用途所需的预测时长进行评估。

  • 使用 MASE 衡量点预测精度,使用分位数损失衡量概率预测精度。
  • 检查是否约有 80% 的观测值落在 0.1~0.9 分位数区间内。
  • 在有代表性的工作负载下记录运行时间和峰值内存占用。
  • 汇总分数可能掩盖表现不佳的情况,因此应按时间序列和预测时长分别检查结果。

当前配方对多变量的各个通道独立预测,不使用通道间的信息。此外,各组成模型支持的上下文长度、预测时长、预处理和缺失值处理方式也有所不同。两种集成方法都无法保证数据模式变化时的校准效果或可靠性。

下一步#

按生产环境使用的预测时长,运行比较默认配方与 PatchTST-FM-r2 的回测,并记录 MASE、分位数损失、80% 区间覆盖率、运行时间和峰值内存占用。

来源: https://huggingface.co/blog/ibm-research/granite-timeseries-ensemble-r1

目录