Chronos Bolt Base

🚀 Chronos-Bolt⚡ (Base)

Chronos-Bolt是一系列预训练的时间序列预测模型，可用于零样本预测。它基于T5编解码器架构，并在近1000亿个时间序列观测值上进行了训练。该模型将历史时间序列上下文分块为多个观测值的片段，然后输入到编码器中。解码器再利用这些表示直接生成多个未来步骤的分位数预测，这种方法被称为直接多步预测。与相同大小的原始Chronos模型相比，Chronos-Bolt模型更准确，速度最高可达250倍，内存效率提高20倍。

🚀 快速开始

项目更新

🚀 2025年2月14日更新：Chronos-Bolt模型现已在Amazon SageMaker JumpStart上可用！查看教程笔记本，了解如何用几行代码部署Chronos端点以用于生产。

✨ 主要特性

性能表现

推理时间对比

以下图表比较了Chronos-Bolt与原始Chronos模型在预测1024个时间序列时的推理时间，其中上下文长度为512个观测值，预测范围为64步。

预测准确性对比

Chronos-Bolt模型不仅比原始Chronos模型显著更快，而且更准确。以下图表分别报告了Chronos-Bolt在加权分位数损失（WQL）和平均绝对缩放误差（MASE）方面的概率和点预测性能，这些性能是在27个数据集上汇总得到的（有关此基准测试的详细信息，请参阅Chronos论文）。值得注意的是，尽管Chronos-Bolt零样本模型在训练期间没有接触过这些数据集，但它们的表现优于在这些数据集上训练的常用统计模型和深度学习模型（用*表示）。此外，它们的表现也优于其他基础模型（用+表示），这表明这些模型在我们的基准测试中的某些数据集上进行了预训练，并非完全零样本。值得一提的是，Chronos-Bolt (Base)在预测准确性方面也超过了原始的Chronos (Large)模型，同时速度快了600多倍。

模型大小

Chronos-Bolt模型有以下几种大小可供选择：

📦 安装指南

在AutoGluon中使用Chronos-Bolt进行零样本推理

安装所需的依赖项：

pip install autogluon

部署Chronos-Bolt端点到SageMaker

首先，更新SageMaker SDK以确保所有最新模型都可用：

pip install -U sagemaker

💻 使用示例

在AutoGluon中使用Chronos-Bolt进行零样本推理

基础用法

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-base"},
    },
)

predictions = predictor.predict(df)

高级用法

有关更多高级功能，如微调和使用协变量进行预测，请查看本教程。

部署Chronos-Bolt端点到SageMaker

基础用法

from sagemaker.jumpstart.model import JumpStartModel

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

高级用法

现在你可以将JSON格式的时间序列数据发送到端点：

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实例上。这些模型还支持使用协变量进行预测。有关端点API的更多详细信息，请查看示例笔记本。

📚 详细文档

引用

如果你发现Chronos或Chronos-Bolt模型对你的研究有用，请考虑引用相关论文：

@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}
}

📄 许可证

本项目采用Apache-2.0许可证。