Chronos T5 Large

🚀 Chronos-T5 (Large)

Chronos是一系列基於語言模型架構的預訓練時間序列預測模型。它將時間序列通過縮放和量化轉換為一系列標記，然後使用交叉熵損失對這些標記進行語言模型訓練。訓練完成後，根據歷史上下文對多個未來軌跡進行採樣，從而得到概率預測。Chronos模型在大量公開可用的時間序列數據以及使用高斯過程生成的合成數據上進行了訓練。

最新動態

• 🚀 2025年2月14日更新：Chronos-Bolt和原始Chronos模型現已在Amazon SageMaker JumpStart上可用！查看教程筆記本，瞭解如何用幾行代碼部署Chronos端點以用於生產環境。
• 🚀 2024年11月27日更新：我們發佈了Chronos-Bolt⚡️模型，與相同大小的原始Chronos模型相比，它的準確性提高了（誤差降低了5%），速度提高了250倍，內存效率提高了20倍。查看新模型點擊此處。

🚀 快速開始

若要了解Chronos模型的詳細信息、訓練數據和流程以及實驗結果，請參考論文Chronos: Learning the Language of Time Series。

圖1：Chronos的高層描述。（左）輸入的時間序列經過縮放和量化，得到一系列標記。（中）這些標記被輸入到語言模型中，該模型可以是編碼器 - 解碼器模型，也可以是僅解碼器模型。模型使用交叉熵損失進行訓練。（右）在推理過程中，我們從模型中自迴歸地採樣標記，並將它們映射回數值。對多個軌跡進行採樣，以獲得預測分佈。

✨ 主要特性

Chronos模型基於語言模型架構，通過對大量公開時間序列數據及合成數據的學習，能夠實現時間序列的概率預測。其訓練過程將時間序列轉換為標記序列，利用交叉熵損失進行訓練，推理時通過採樣多個未來軌跡獲得預測分佈。

📦 安裝指南

要使用Chronos模型進行推理，需要安裝GitHub 配套倉庫 中的包，運行以下命令：

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

💻 使用示例

基礎用法

以下是一個使用Chronos模型進行推理的最小示例：

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-large",
  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()

📚 詳細文檔

架構

本倉庫中的模型基於 T5架構。唯一的區別在於詞彙量大小：Chronos-T5模型使用4096個不同的標記，而原始T5模型使用32128個標記，這使得Chronos-T5模型的參數更少。

📄 許可證

本項目採用Apache-2.0許可證。

📚 引用

如果您發現Chronos模型對您的研究有幫助，請考慮引用相關 論文：

@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}
}

🔒 安全

更多信息請參閱 CONTRIBUTING。