IBM Granite 推出四模型時間序列預測集成
- Granite Timeseries Ensemble 預設整合四種預訓練 Granite 架構，可在不重新訓練或估算集成權重的情況下產生中位數與分位數預測。
- 使用者可選擇等權重的 Probabilistic Ensemble，或依預測區間寬度調整權重的 IQR Ensemble；後者會隨樣本、目標與預測步驟改變權重。
- 在 GIFT-Eval 的 97 組資料集設定中，兩種集成方法的整體 MASE 與平均 MASE 排名都優於四個個別成員；Probabilistic Ensemble 的 MASE 為 0.683，PatchTST-FM-r2 為 0.685。
- 此配方會在執行時下載四個模型檢查點，推論所需時間與記憶體會高於單一模型；目前各通道獨立預測，不利用通道間資訊。
本站見解
相較於單獨使用 PatchTST-FM-r2，預設集成在該基準的 MASE 僅略有改善，因此是否採用應看重跨序列的穩健性，而非期待大幅降低點預測誤差。部署前應以代表性資料回測，並衡量四個檢查點帶來的推論時間與記憶體成本。
推出 出四 四模 模型 型時 時間 間序 序列 列預 預測 測集 集成 預設 設整 整合 合四 四種 種預 預訓 訓練 架構 可在 在不 不重 重新 新訓 練或 或估 估算 算集 成權 權重 重的 的情 情況 況下 下產 產生 生中 中位 位數 數與 與分 分位 數預 使用 用者 者可 可選 選擇 擇等 等權 或依 依預 測區 區間 間寬 寬度 度調 調整 整權 後者 者會 會隨 隨樣 樣本 目標 標與 與預 測步 步驟 驟改 改變 變權 組資 資料 料集 集設 設定 定中 兩種 種集 成方 方法 法的 的整 整體 與平 平均 排名 名都 都優 優於 於四 四個 個個 個別 別成 成員 此配 配方 方會 會在 在執 執行 行時 時下 下載 載四 個模 型檢 檢查 查點 推論 論所 所需 需時 間與 與記 記憶 憶體 體會 會高 高於 於單 單一 一模 目前 前各 各通 通道 道獨 獨立 立預 不利 利用 用通 道間 間資 資訊 相較 較於 單獨 獨使 設集 成在 在該 該基 基準 準的 僅略 略有 有改 改善 因此 此是 是否 否採 採用 用應 應看 看重 重跨 跨序 列的 的穩 穩健 健性 而非 非期 期待 待大 大幅 幅降 降低 低點 點預 測誤 誤差 部署 署前 前應 應以 以代 代表 表性 性資 料回 回測 並衡 衡量 量四 個檢 點帶 帶來 來的 的推 論時 體成 成本
來源
- Ensemble forecasting with IBM Granite time-series models · Hugging Face Blog
本文摘要與見解由 AI 自動生成，事實以原文為準。 AI 內容政策