Chronos T5 Mini

🚀 Chronos-T5 (Mini)

Chronos-T5 (Mini) 是基于语言模型架构的预训练时间序列预测模型。它能将时间序列转换为标记序列，通过交叉熵损失进行训练，进而实现概率预测。该模型在大量公开时间序列数据及合成数据上进行训练，为时间序列预测提供了强大的支持。

🚀 快速开始

• 2025年2月14日更新：Chronos-Bolt 和原始 Chronos 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。
• 2024年11月27日更新：我们发布了 Chronos-Bolt⚡️ 模型，与相同大小的原始 Chronos 模型相比，它的准确性提高（误差降低 5%），速度提高多达 250 倍，内存效率提高 20 倍。查看新模型 点击此处。

Chronos 是一系列基于语言模型架构的预训练时间序列预测模型。时间序列通过缩放和量化转换为标记序列，语言模型使用交叉熵损失在这些标记上进行训练。训练完成后，通过在给定历史上下文的情况下对多个未来轨迹进行采样来获得概率预测。Chronos 模型在大量公开可用的时间序列数据以及使用高斯过程生成的合成数据上进行了训练。

有关 Chronos 模型、训练数据和过程以及实验结果的详细信息，请参考论文 Chronos: Learning the Language of Time Series。

图 1：Chronos 的高层描述。(左) 输入时间序列经过缩放和量化以获得标记序列。(中) 标记被输入到语言模型中，该模型可以是编码器 - 解码器模型或仅解码器模型。模型使用交叉熵损失进行训练。(右) 在推理过程中，我们从模型中自回归地采样标记，并将它们映射回数值。对多个轨迹进行采样以获得预测分布。

✨ 主要特性

Chronos 模型基于语言模型架构，将时间序列转化为标记序列进行训练和预测。它在大量公开数据和合成数据上训练，并且 Chronos-Bolt 模型相比原始模型在准确性、速度和内存效率上有显著提升。

📦 安装指南

要使用 Chronos 模型进行推理，请在 GitHub 配套仓库 中运行以下命令安装包：

pip install git+https://github.com/amazon-science/chronos-forecasting.git

💻 使用示例

基础用法

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import torch
from chronos import ChronosPipeline

pipeline = ChronosPipeline.from_pretrained(
  "amazon/chronos-t5-mini",
  device_map="cuda",
  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
context = torch.tensor(df["#Passengers"])
prediction_length = 12
forecast = pipeline.predict(context, prediction_length)  # shape [num_series, num_samples, prediction_length]

# visualize the forecast
forecast_index = range(len(df), len(df) + prediction_length)
low, median, high = np.quantile(forecast[0].numpy(), [0.1, 0.5, 0.9], axis=0)

plt.figure(figsize=(8, 4))
plt.plot(df["#Passengers"], color="royalblue", label="historical data")
plt.plot(forecast_index, median, color="tomato", label="median forecast")
plt.fill_between(forecast_index, low, high, color="tomato", alpha=0.3, label="80% prediction interval")
plt.legend()
plt.grid()
plt.show()

📚 详细文档

架构

本仓库中的模型基于 T5 架构。唯一的区别在于词汇量大小：Chronos-T5 模型使用 4096 种不同的标记，而原始 T5 模型使用 32128 种，这导致 Chronos-T5 模型的参数更少。

📄 许可证

本项目采用 Apache-2.0 许可证。

📚 引用

如果您发现 Chronos 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}
}

🔒 安全

更多信息请参阅 CONTRIBUTING。