Chronos Bolt Base

🚀 Chronos - Bolt⚡ (Base)

Chronos - Boltは、ゼロショット予測に使用できる事前学習済みの時系列予測モデルのファミリーです。このモデルは、T5エンコーダ - デコーダアーキテクチャに基づいており、約1000億の時系列観測データで学習されています。過去の時系列コンテキストを複数の観測値のパッチに分割し、エンコーダに入力します。そして、デコーダはこれらの表現を使用して、複数の未来のステップにわたる分位予測を直接生成します。これは、直接多ステップ予測として知られる方法です。Chronos - Boltモデルは、同じサイズの元のChronosモデルよりも精度が高く、最大250倍高速で、20倍メモリ効率が良いです。

🚀 クイックスタート

最新情報

🚀 2025年2月14日更新: Chronos - BoltモデルがAmazon SageMaker JumpStartで利用可能になりました！数行のコードでChronosエンドポイントを本番環境で展開する方法を学ぶには、[チュートリアルノートブック](https://github.com/amazon - science/chronos - forecasting/blob/main/notebooks/deploy - chronos - bolt - to - amazon - sagemaker.ipynb)を参照してください。

✨ 主な機能

性能比較

推論時間

以下のプロットは、512観測値のコンテキスト長と64ステップの予測期間で1024の時系列を予測する際の、Chronos - Boltと元のChronosモデルの推論時間を比較しています。

予測精度

Chronos - Boltモデルは、元のChronosモデルよりも大幅に高速であるだけでなく、精度も高いです。以下のプロットは、[Weighted Quantile Loss (WQL)](https://auto.gluon.ai/stable/tutorials/timeseries/forecasting - metrics.html#autogluon.timeseries.metrics.WQL)と[Mean Absolute Scaled Error (MASE)](https://auto.gluon.ai/stable/tutorials/timeseries/forecasting - metrics.html#autogluon.timeseries.metrics.MASE)の観点から、Chronos - Boltの確率的および点予測性能をそれぞれ報告しています。これらは27のデータセットにわたって集計されています（このベンチマークの詳細については、Chronos論文を参照）。注目すべきは、学習中にこれらのデータセットに事前に触れていないにもかかわらず、ゼロショットのChronos - Boltモデルが、これらのデータセットで学習された一般的な統計モデルやディープラーニングモデル（*で強調表示）を上回っていることです。さらに、+で示される他の事前学習モデル（これらのモデルは、私たちのベンチマークの特定のデータセットで事前学習されており、完全なゼロショットではない）よりも優れています。特に、Chronos - Bolt (Base)は、予測精度の面で元のChronos (Large)モデルを上回り、600倍以上高速です。

モデルサイズ

Chronos - Boltモデルは以下のサイズで利用可能です。

📦 インストール

AutoGluonでのChronos - Boltのゼロショット推論

必要な依存関係をインストールします。

pip install autogluon

💻 使用例

基本的な使用法

Chronos - Boltモデルで予測を行います。

from autogluon.timeseries import TimeSeriesPredictor, TimeSeriesDataFrame

df = TimeSeriesDataFrame("https://autogluon.s3.amazonaws.com/datasets/timeseries/m4_hourly/train.csv")

predictor = TimeSeriesPredictor(prediction_length=48).fit(
    df,
    hyperparameters={
        "Chronos": {"model_path": "autogluon/chronos - bolt - base"},
    },
)

predictions = predictor.predict(df)

微調整や共変量を用いた予測などの高度な機能については、[このチュートリアル](https://auto.gluon.ai/stable/tutorials/timeseries/forecasting - chronos.html)を参照してください。

高度な使用法

SageMakerへのChronos - Boltエンドポイントの展開

まず、SageMaker SDKを更新して、すべての最新モデルが利用可能なことを確認します。

pip install -U sagemaker

SageMakerに推論エンドポイントを展開します。

from sagemaker.jumpstart.model import JumpStartModel

model = JumpStartModel(
    model_id="autogluon - forecasting - chronos - bolt - base",
    instance_type="ml.c5.2xlarge",
)
predictor = model.deploy()

これで、JSON形式で時系列データをエンドポイントに送信できます。

import pandas as pd
df = pd.read_csv("https://raw.githubusercontent.com/AileenNielsen/TimeSeriesAnalysisWithPython/master/data/AirPassengers.csv")

payload = {
    "inputs": [
        {"target": df["#Passengers"].tolist()}
    ],
    "parameters": {
        "prediction_length": 12,
    }
}
forecast = predictor.predict(payload)["predictions"]

Chronos - Boltモデルは、CPUおよびGPUインスタンスの両方に展開できます。これらのモデルは、共変量を用いた予測もサポートしています。エンドポイントAPIの詳細については、[サンプルノートブック](https://github.com/amazon - science/chronos - forecasting/blob/main/notebooks/deploy - chronos - bolt - to - amazon - sagemaker.ipynb)を参照してください。

📚 ドキュメント

引用

ChronosまたはChronos - Boltモデルがあなたの研究に役立った場合、関連する論文を引用することを検討してください。

@article{ansari2024chronos,
    title={Chronos: Learning the Language of Time Series},
    author={Ansari, Abdul Fatir and Stella, Lorenzo and Turkmen, Caner and Zhang, Xiyuan, and Mercado, Pedro and Shen, Huibin and Shchur, Oleksandr and Rangapuram, Syama Syndar and Pineda Arango, Sebastian and Kapoor, Shubham and Zschiegner, Jasper and Maddix, Danielle C. and Mahoney, Michael W. and Torkkola, Kari and Gordon Wilson, Andrew and Bohlke - Schneider, Michael and Wang, Yuyang},
    journal={Transactions on Machine Learning Research},
    issn={2835 - 8856},
    year={2024},
    url={https://openreview.net/forum?id=gerNCVqqtR}
}

📄 ライセンス

このプロジェクトは、Apache - 2.0ライセンスの下でライセンスされています。