Chronos T5 Mini

🚀 Chronos-T5 (Mini)

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。它通過縮放和量化將時間序列轉換為一系列標記，並使用交叉熵損失在這些標記上訓練語言模型。訓練完成後，可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。

🚀 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端點以用於生產。
• 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（誤差降低5%），速度提高了250倍，內存效率提高了20倍。點擊此處查看新模型。

如需瞭解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) 對輸入時間序列進行縮放和量化以獲得標記序列。(中) 將標記輸入到語言模型中，該模型可以是編碼器 - 解碼器模型或僅解碼器模型。使用交叉熵損失對模型進行訓練。(右) 在推理過程中，我們自迴歸地從模型中採樣標記並將其映射回數值。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，通過對時間序列數據進行縮放、量化處理，利用交叉熵損失進行訓練，能夠根據歷史數據對未來軌跡進行概率預測。並且在大量公開數據和合成數據上進行訓練，具有良好的泛化能力。

📦 安裝指南

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

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-mini",
  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、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。

🔧 技術細節

架構

本倉庫中的模型基於T5架構。唯一的區別在於詞彙表大小：Chronos-T5模型使用4096個不同的標記，而原始T5模型使用32128個，這導致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

有關更多信息，請參閱CONTRIBUTING。