Chronos T5 Tiny

🚀 Chronos-T5 (Tiny)

Chronosは、言語モデルアーキテクチャに基づく事前学習済み時系列予測モデルのファミリーです。時系列データは、スケーリングと量子化を通じてトークン列に変換され、これらのトークンを用いて言語モデルが交差エントロピー損失を使って学習されます。学習後、過去のコンテキスト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が得られます。Chronosモデルは、公開されている大量の時系列データコーパスと、ガウス過程を用いて生成された合成データで学習されています。

🚀 クイックスタート

• 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。このモデルは、同じサイズの元のChronosモデルよりも精度が高く（誤差が5%低い）、最大250倍高速で、20倍メモリ効率が良いです。新しいモデルはこちらで確認できます。

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

図1: Chronosの概要。(左) 入力時系列データはスケーリングと量子化され、トークン列が得られます。(中央) トークンは言語モデル（エンコーダ-デコーダまたはデコーダのみのモデル）に入力され、交差エントロピー損失を使って学習されます。(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、数値に戻します。複数の軌道をサンプリングして予測分布を得ます。

✨ 主な機能

Chronosは、言語モデルアーキテクチャを利用した時系列予測モデルで、公開データと合成データで学習されています。これにより、高精度で効率的な時系列予測が可能です。

🔧 技術詳細

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と比較してパラメータ数が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以下のコマンドでインストールします。

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

💻 使用例

基本的な使用法

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-tiny",
  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は、関連する論文を引用していただけると幸いです。

@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}
}

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。