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，在近1000亿个时间序列观测数据上进行了训练。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模型的速度快达250倍，内存效率提高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端点以用于生产环境。

✨ 主要特性

性能优势

• 速度快：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，上下文长度为512个观测值，预测范围为64步。

- **准确性高**：Chronos - Bolt模型不仅速度明显更快，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）方面的概率和点预测性能，这些数据是在27个数据集上汇总得到的（详情见 [Chronos论文](https://arxiv.org/abs/2403.07815)）。值得注意的是，尽管Chronos - Bolt模型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。

模型规格

Chronos - Bolt模型有以下几种规格：

模型	参数数量	基于的模型
[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)

📦 安装指南

使用AutoGluon时安装依赖

pip install autogluon

部署到SageMaker时更新SDK

pip install -U sagemaker

使用推理库时安装包

pip install chronos - forecasting

💻 使用示例

基础用法

使用AutoGluon进行零样本推理

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)

将Chronos - Bolt端点部署到SageMaker

from sagemaker.jumpstart.model import JumpStartModel

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

使用推理库进行推理

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
)

高级用法

向SageMaker端点发送时间序列数据

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"]

📚 详细文档

使用AutoGluon

使用Chronos进行生产用例的推荐方法是通过 AutoGluon。AutoGluon提供了对Chronos模型的轻松 微调，通过协变量回归器将 协变量 纳入预测，以及与其他统计和机器学习模型进行 集成 以实现最高准确性。查看AutoGluon Chronos 教程 了解更多详情。

部署到SageMaker

SageMaker JumpStart使得用几行代码就可以轻松部署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。更多详情可查看 示例笔记本。

使用推理库

你也可以在GitHub 配套仓库 中安装该包。这主要用于研究目的，并为Chronos模型提供了一个最小接口。

📄 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。