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1000億の時系列観測値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モデルよりも最大250倍高速で、20倍メモリ効率が高いです。

🚀 クイックスタート

2025年2月14日の更新

Chronos-Bolt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使用するためにデプロイする方法を学んでください。

✨ 主な機能

性能

以下のプロットは、コンテキスト長が512観測値、予測期間が64ステップの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。

Chronos-Boltモデルは、元のChronosモデルよりも大幅に高速で、かつ高精度です。以下のプロットは、加重分位損失 (WQL) と 平均絶対スケール誤差 (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 を参照してください）。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に使用される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、予測精度の点で元のChronos (Large) モデルを上回り、かつ600倍以上高速です。

Chronos-Boltモデルは、以下のサイズで利用可能です。

💻 使用例

基本的な使用法

AutoGluonを使用した場合

本番環境でChronosを使用することをおすすめする方法は、AutoGluon を通じることです。AutoGluonは、Chronosモデルの簡単な微調整、共変量回帰を通じた予測への共変量の組み込み、および他の統計モデルや機械学習モデルとのアンサンブルを提供し、最大限の精度を実現します。詳細については、AutoGluon Chronosのチュートリアル を参照してください。

AutoGluonでChronos-Boltを使用してゼロショット推論を実行する最小限の例を示します。

必要な依存関係をインストールします。

pip install autogluon

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": "amazon/chronos-bolt-base"},
    },
)

predictions = predictor.predict(df)

SageMakerへのChronos-Boltエンドポイントのデプロイ

SageMaker JumpStartを使用すると、数行のコードでChronosエンドポイントを本番環境で使用するために簡単にデプロイできます。Chronos-Boltエンドポイントは、CPUとGPUの両方のインスタンスにデプロイでき、共変量を使用した予測もサポートしています。詳細は、このサンプルノートブック を参照してください。

SageMakerにChronos-Bolt (Base) エンドポイントをデプロイする最小限の例を示します。

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デプロイします。

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形式の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"]

推論ライブラリを使用した場合

あるいは、GitHubのコンパニオンリポジトリ でパッケージをインストールすることもできます。これは研究目的で用意されており、Chronosモデルへの最小限のインターフェースを提供します。以下のコマンドを実行してライブラリをインストールします。

pip install chronos-forecasting

Chronos-Boltモデルを使用して推論を実行する最小限の例を示します。

import pandas as pd  # requires: pip install pandas
import torch
from chronos import BaseChronosPipeline

pipeline = BaseChronosPipeline.from_pretrained(
    "amazon/chronos-bolt-base",
    device_map="cuda",  # use "cpu" for CPU inference and "mps" for Apple Silicon
    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
# Chronos-Bolt models generate quantile forecasts, so forecast has shape
# [num_series, num_quantiles, prediction_length].
forecast = pipeline.predict(
    context=torch.tensor(df["#Passengers"]), prediction_length=12
)

📚 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は、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。