Chronos T5 Tiny

🚀 Chronos-T5 (Tiny)

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在這些標記上訓練語言模型。訓練完成後，通過在給定歷史上下文的情況下對多個未來軌跡進行採樣，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。

🚀 快速開始

• 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端點以供生產使用。
• 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，它的準確性更高（誤差降低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。

關於Chronos模型、訓練數據和過程以及實驗結果的詳細信息，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 - 解碼器模型或僅解碼器模型。模型使用交叉熵損失進行訓練。（右）在推理過程中，我們自迴歸地從模型中採樣標記，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，通過對時間序列進行縮放和量化處理，將其轉化為標記序列進行訓練。訓練完成後，能夠根據歷史上下文采樣多個未來軌跡，從而得到概率預測。並且，模型在大量公開時間序列數據和高斯過程生成的合成數據上進行了訓練，具有較好的泛化能力。

🏗️ 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。

💻 使用示例

基礎用法

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

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-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()

📚 詳細文檔

關於Chronos模型的詳細信息，包括訓練數據、訓練過程和實驗結果，請參考論文Chronos: Learning the Language of Time Series。

📖 引用

如果您發現Chronos模型對您的研究有用，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

更多安全信息請參閱CONTRIBUTING。

📄 許可證

本項目採用Apache-2.0許可證。