Chronos Bolt Tiny

🚀 Chronos-Bolt⚡ (Tiny)

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，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，这是一种被称为直接多步预测的方法。与相同大小的原始Chronos模型相比，Chronos-Bolt模型的速度快达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端点以用于生产环境。

✨ 主要特性

性能优势

速度快

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

准确性高

Chronos-Bolt模型不仅速度显著更快，而且比原始Chronos模型更准确。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）方面的概率预测和点预测性能，这些性能是在27个数据集上汇总得到的（有关此基准的详细信息，请参阅Chronos论文）。值得注意的是，尽管在训练期间没有接触过这些数据集，但零样本的Chronos-Bolt模型的表现优于在这些数据集上训练过的常用统计模型和深度学习模型（用 * 突出显示）。此外，它们的表现也优于其他基础模型（用 + 表示），这表明这些模型是在我们基准测试中的某些数据集上进行预训练的，并非完全的零样本模型。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。

模型规格

Chronos-Bolt模型有以下几种规格可供选择：

💻 使用示例

与AutoGluon一起使用

在生产用例中，推荐通过AutoGluon使用Chronos。AutoGluon可以轻松地对Chronos模型进行微调，通过协变量回归器将协变量纳入预测中，并与其他统计和机器学习模型进行集成以实现最高的准确性。查看AutoGluon Chronos 教程以了解更多详细信息。

基础用法

以下是一个使用AutoGluon和Chronos-Bolt进行零样本推理的最小示例：

# 安装所需依赖
pip install autogluon

# 用Chronos-Bolt模型进行预测
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-tiny"},
    },
)

predictions = predictor.predict(df)

将Chronos-Bolt端点部署到SageMaker

SageMaker JumpStart可以让你用几行代码轻松部署Chronos端点以用于生产环境。Chronos-Bolt端点可以部署到CPU和GPU实例上，并且支持使用协变量进行预测。更多详细信息请参阅这个示例笔记本。

基础用法

以下是一个将Chronos-Bolt (Base) 端点部署到SageMaker的最小示例：

# 更新SageMaker SDK以确保所有最新模型可用
pip install -U sagemaker

# 部署推理端点到SageMaker
from sagemaker.jumpstart.model import JumpStartModel

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

# 现在可以将时间序列数据以JSON格式发送到端点
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"]

与推理库一起使用

你也可以安装GitHub 配套仓库中的包。这主要用于研究目的，为Chronos模型提供了一个最小的接口。

基础用法

通过以下命令安装库：

pip install chronos-forecasting

以下是一个使用Chronos-Bolt模型进行推理的最小示例：

import pandas as pd  # requires: pip install pandas
import torch
from chronos import BaseChronosPipeline

pipeline = BaseChronosPipeline.from_pretrained(
    "amazon/chronos-bolt-tiny",
    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
)

📚 详细文档

引用信息

如果您发现Chronos或Chronos-Bolt模型对您的研究有用，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。