Chronos Bolt Small

🚀 Chronos-Bolt⚡ (Small)

Chronos-Bolt是一系列預訓練的時間序列預測模型，可用於零樣本預測。它基於T5編碼器 - 解碼器架構，並在近1000億個時間序列觀測值上進行了訓練。該模型將歷史時間序列上下文分塊成多個觀測值的片段，然後輸入到編碼器中。解碼器再利用這些表示直接生成多個未來步驟的分位數預測，這種方法被稱為直接多步預測。與相同大小的原始Chronos模型相比，Chronos-Bolt模型更準確，速度提高了多達250倍，內存效率提高了20倍。

🚀 快速開始

2025年2月14日更新

Chronos-Bolt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。

✨ 主要特性

• 高性能：Chronos-Bolt模型不僅比原始Chronos模型顯著更快，而且更準確。
• 零樣本學習：在訓練過程中未接觸過某些數據集的情況下，零樣本的Chronos-Bolt模型仍能超越在這些數據集上訓練的常用統計模型和深度學習模型。
• 多種尺寸可選：提供不同參數規模的模型，以滿足不同的應用需求。

💻 使用示例

基礎用法

在AutoGluon中使用Chronos-Bolt進行零樣本推理

安裝所需依賴：

pip install autogluon

使用Chronos-Bolt模型進行預測：

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": "autogluon/chronos-bolt-small"},
    },
)

predictions = predictor.predict(df)

如需瞭解更多高級功能，如微調和使用協變量進行預測，請查看此教程。

高級用法

將Chronos-Bolt端點部署到SageMaker

首先，更新SageMaker SDK以確保所有最新模型可用：

pip install -U sagemaker

將推理端點部署到SageMaker：

from sagemaker.jumpstart.model import JumpStartModel

model = JumpStartModel(
    model_id="autogluon-forecasting-chronos-bolt-small",
    instance_type="ml.c5.2xlarge",
)
predictor = model.deploy()

現在，您可以以JSON格式將時間序列數據發送到端點：

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"]

Chronos-Bolt模型可以部署到CPU和GPU實例上。這些模型還支持使用協變量進行預測。有關端點API的更多詳細信息，請查看示例筆記本。

📚 詳細文檔

性能表現

推理時間比較

下圖比較了Chronos-Bolt與原始Chronos模型在預測1024個時間序列時的推理時間，上下文長度為512個觀測值，預測範圍為64步。

預測準確性比較

Chronos-Bolt模型不僅比原始Chronos模型快得多，而且更準確。下圖分別報告了Chronos-Bolt在加權分位數損失（WQL）和平均絕對縮放誤差（MASE）方面的概率預測和點預測性能，這些性能是在27個數據集上彙總得到的（有關此基準測試的詳細信息，請參閱Chronos論文）。值得注意的是，儘管零樣本的Chronos-Bolt模型在訓練過程中未接觸過這些數據集，但它們的表現優於在這些數據集上訓練的常用統計模型和深度學習模型（用*表示）。此外，它們的表現也優於其他基礎模型（用+表示），這表明這些模型是在我們基準測試中的某些數據集上進行預訓練的，並非完全零樣本。值得一提的是，Chronos-Bolt (Base)在預測準確性方面也超過了原始的Chronos (Large)模型，同時速度提高了600多倍。

模型尺寸

Chronos-Bolt模型有以下尺寸可供選擇：

📄 許可證

本項目採用Apache-2.0許可證。

📚 引用

如果您發現Chronos或Chronos-Bolt模型對您的研究有用，請考慮引用相關論文：

@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}
}