Chronos T5 Base

🚀 クロノス-T5 (Base)

クロノスは、言語モデルアーキテクチャに基づく事前学習済みの時系列予測モデルのファミリーです。時系列データをスケーリングと量子化してトークン列に変換し、これらのトークンを用いてクロスエントロピー損失を最小化するように言語モデルを学習させます。学習後、過去のデータを元に複数の未来の軌道をサンプリングすることで確率的な予測を得ることができます。クロノスモデルは、公開されている大量の時系列データと、ガウス過程を用いて生成された合成データを用いて学習されています。

🚀 クイックスタート

最新情報

• 🚀 2025年2月14日更新: Chronos-Boltと元のChronosモデルがAmazon SageMaker JumpStartで利用可能になりました！チュートリアルノートブックを参照して、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びましょう。
• 🚀 2024年11月27日更新: Chronos-Bolt⚡️モデルをリリースしました。これらのモデルは、同じサイズの元のChronosモデルよりも精度が5%向上し、最大250倍高速で、20倍メモリ効率が良いです。こちらで新しいモデルを確認してください。

モデルの詳細

クロノスモデル、学習データと手順、および実験結果の詳細については、論文 Chronos: Learning the Language of Time Series を参照してください。

図1: Chronosの概要図。(左) 入力時系列データをスケーリングと量子化してトークン列を得る。(中央) トークンを言語モデル（エンコーダ-デコーダまたはデコーダのみのモデル）に入力し、クロスエントロピー損失を用いて学習する。(右) 推論時には、モデルからトークンを自己回帰的にサンプリングし、数値にマッピングする。複数の軌道をサンプリングして予測分布を得る。

✨ 主な機能

アーキテクチャ

このリポジトリのモデルは、T5アーキテクチャに基づいています。唯一の違いは語彙サイズです。Chronos-T5モデルは4096種類のトークンを使用しており、元のT5モデルの32128よりも少なく、パラメータ数も少なくなっています。

📦 インストール

Chronosモデルで推論を行うには、GitHubのコンパニオンリポジトリのパッケージをインストールします。以下のコマンドを実行してください。

pip install git+https://github.com/amazon-science/chronos-forecasting.git

💻 使用例

基本的な使用法

Chronosモデルを使用して推論を行う最小限のコード例を以下に示します。

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import torch
from chronos import ChronosPipeline

pipeline = ChronosPipeline.from_pretrained(
  "amazon/chronos-t5-base",
  device_map="cuda",
  torch_dtype=torch.bfloat16,
)

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

# context must be either a 1D tensor, a list of 1D tensors,
# or a left-padded 2D tensor with batch as the first dimension
context = torch.tensor(df["#Passengers"])
prediction_length = 12
forecast = pipeline.predict(context, prediction_length)  # shape [num_series, num_samples, prediction_length]

# visualize the forecast
forecast_index = range(len(df), len(df) + prediction_length)
low, median, high = np.quantile(forecast[0].numpy(), [0.1, 0.5, 0.9], axis=0)

plt.figure(figsize=(8, 4))
plt.plot(df["#Passengers"], color="royalblue", label="historical data")
plt.plot(forecast_index, median, color="tomato", label="median forecast")
plt.fill_between(forecast_index, low, high, color="tomato", alpha=0.3, label="80% prediction interval")
plt.legend()
plt.grid()
plt.show()

📚 ドキュメント

引用

Chronos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していただけると幸いです。

@article{ansari2024chronos,
  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},
  title   = {Chronos: Learning the Language of Time Series},
  journal = {arXiv preprint arXiv:2403.07815},
  year    = {2024}
}

セキュリティ

詳細については、CONTRIBUTINGを参照してください。

📄 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。