Chronos Bolt Base

🚀 Chronos - Bolt⚡ (Base)

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編解碼器架構，在近1000億個時間序列觀測數據上進行了訓練。該模型將歷史時間序列上下文分塊為多個觀測值的片段，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模型的速度快達250倍，內存效率提高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端點以用於生產環境。

✨ 主要特性

性能優勢

• 速度快：以下圖表比較了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。

- **準確性高**：Chronos - Bolt模型不僅速度明顯更快，而且比原始Chronos模型更準確。以下圖表分別報告了Chronos - Bolt在加權分位數損失（WQL）和平均絕對縮放誤差（MASE）方面的概率和點預測性能，這些數據是在27個數據集上彙總得到的（詳情見 [Chronos論文](https://arxiv.org/abs/2403.07815)）。值得注意的是，儘管Chronos - Bolt模型在訓練期間沒有接觸過這些數據集，但零樣本的Chronos - Bolt模型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 * 突出顯示）。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，同時速度快了600多倍。

模型規格

Chronos - Bolt模型有以下幾種規格：

模型	參數數量	基於的模型
[chronos - bolt - tiny](https://huggingface.co/amazon/chronos - bolt - tiny)	9M	[t5 - efficient - tiny](https://huggingface.co/google/t5 - efficient - tiny)
[chronos - bolt - mini](https://huggingface.co/amazon/chronos - bolt - mini)	21M	[t5 - efficient - mini](https://huggingface.co/google/t5 - efficient - mini)
[chronos - bolt - small](https://huggingface.co/amazon/chronos - bolt - small)	48M	[t5 - efficient - small](https://huggingface.co/google/t5 - efficient - small)
[chronos - bolt - base](https://huggingface.co/amazon/chronos - bolt - base)	205M	[t5 - efficient - base](https://huggingface.co/google/t5 - efficient - base)

📦 安裝指南

使用AutoGluon時安裝依賴

pip install autogluon

部署到SageMaker時更新SDK

pip install -U sagemaker

使用推理庫時安裝包

pip install chronos - forecasting

💻 使用示例

基礎用法

使用AutoGluon進行零樣本推理

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)

將Chronos - Bolt端點部署到SageMaker

from sagemaker.jumpstart.model import JumpStartModel

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

使用推理庫進行推理

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
)

高級用法

向SageMaker端點發送時間序列數據

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"]

📚 詳細文檔

使用AutoGluon

使用Chronos進行生產用例的推薦方法是通過 AutoGluon。AutoGluon提供了對Chronos模型的輕鬆 微調，通過協變量回歸器將 協變量 納入預測，以及與其他統計和機器學習模型進行 集成 以實現最高準確性。查看AutoGluon Chronos 教程 瞭解更多詳情。

部署到SageMaker

SageMaker JumpStart使得用幾行代碼就可以輕鬆部署Chronos端點以用於生產環境。Chronos - Bolt端點可以部署到 CPU和GPU 實例上，並且支持使用 協變量 進行預測。更多詳情可查看 示例筆記本。

使用推理庫

你也可以在GitHub 配套倉庫 中安裝該包。這主要用於研究目的，併為Chronos模型提供了一個最小接口。

📄 引用

如果你發現Chronos或Chronos - Bolt模型對你的研究有用，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}
}

📄 許可證

本項目採用Apache - 2.0許可證。