Chronos Bolt Small

🚀 Chronos-Bolt⚡ (Small)

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编码器 - 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成多个观测值的片段，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，速度提高了多达250倍，内存效率提高了20倍。

🚀 快速开始

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

• 高性能：Chronos-Bolt模型不仅比原始Chronos模型显著更快，而且更准确。
• 零样本学习：在训练过程中未接触过某些数据集的情况下，零样本的Chronos-Bolt模型仍能超越在这些数据集上训练的常用统计模型和深度学习模型。
• 多种尺寸可选：提供不同参数规模的模型，以满足不同的应用需求。

💻 使用示例

基础用法

在AutoGluon中使用Chronos-Bolt进行零样本推理

安装所需依赖：

pip install autogluon

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

predictions = predictor.predict(df)

如需了解更多高级功能，如微调和使用协变量进行预测，请查看此教程。

高级用法

将Chronos-Bolt端点部署到SageMaker

首先，更新SageMaker SDK以确保所有最新模型可用：

pip install -U sagemaker

将推理端点部署到SageMaker：

from sagemaker.jumpstart.model import JumpStartModel

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

现在，您可以以JSON格式将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

性能表现

推理时间比较

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

预测准确性比较

Chronos-Bolt模型不仅比原始Chronos模型快得多，而且更准确。下图分别报告了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（有关此基准测试的详细信息，请参阅Chronos论文）。值得注意的是，尽管零样本的Chronos-Bolt模型在训练过程中未接触过这些数据集，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，同时速度提高了600多倍。

模型尺寸

Chronos-Bolt模型有以下尺寸可供选择：

📄 许可证

本项目采用Apache-2.0许可证。

📚 引用

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}
}