amazon/chronos-2 · Hugging Face

概述

Chronos-2 是由亚马逊在 Chronos 项目下开发的专门用于时间序列预测的基础模型。与传统统计方法或较小的专用模型不同，Chronos-2 利用大规模预训练的力量，跨多个领域执行零样本预测。该模型采用受 T5（Text-to-Text Transfer Transformer，文本到文本转换Transformer）框架启发的纯编码器架构，并针对时序数据进行了专门调整。凭借约1.2亿个参数，它在计算效率和预测精度之间取得了平衡，使其既适合研究也适合生产环境。

该模型是在真实世界数据集和大规模合成数据的组合上训练的，使其能够有效地泛化到未见过的时间序列，而无需进行特定任务的微调。这种“零样本”能力是其定义特征，使用户能够将同一模型应用于截然不同的预测问题——从金融市场到物联网传感器读数——而无需重新训练。

功能特性

Chronos-2 提供了一系列强大的功能，使其区别于其前身，如 Chronos-Bolt 和原始 Chronos 模型：

• 零样本预测： Chronos-2 的主要优势在于它能够为新时间序列生成准确的预测，而无需在这些特定序列上进行预先训练。它在预训练期间学习时间动态的一般模式。
• 多模态输入支持： 它支持单变量预测（单一变量）、多变量预测（多个相关变量）以及协变量感知任务。这包括仅过去的协变量（真实或分类的历史数据）和已知的未来协变量（可用于预测窗口的真实或分类数据）。
• 概率预测： Chronos-2 不仅输出点估计值。它生成多步向前分位数预测，提供可能结果的分布。用户可以指定分位数水平（例如 0.1, 0.5, 0.9），以了解不确定性和风险。
• 分组注意力机制： 为了高效处理相关的时间序列，Chronos-2 采用了分组注意力机制。这使得模型能够学习跨序列的依赖性，在同时预测多个相关项目时提高性能。
• 扩展上下文和预测长度： Chronos-2 支持最大8,192个时间步长的上下文长度和最大1,024个步骤的预测长度。这超过了早期版本如 Chronos-Bolt（2,048 上下文，64 预测）和原始 Chronos（512 上下文，64 预测）的能力。
• 高效率： 尽管具备先进功能，Chronos-2 仍然非常高效。它可以在单个 NVIDIA A10G GPU 上每秒交付超过300个时间序列的预测。它还支持 CPU 推理（尽管速度较低），确保在各种硬件设置上的可访问性。

用例

Chronos-2 用途广泛，适用于广泛的行业和应用场景：

• 供应链和库存管理： 同时预测数千种 SKU 的需求，利用产品类别和历史销售数据优化库存水平。
• 电网管理： 基于天气协变量和历史消费模式预测电力负荷，以平衡供需。
• 金融预测： 使用技术指标作为协变量分析股票价格、波动性或交易量。
• 物联网和传感器数据： 通过分析来自多个设备的传感器流来监控设备健康状况并预测维护需求。
• 零售和电子商务： 使用营销支出和外部事件作为协变量，预测网站流量、转化率或季节性趋势。

许可证与部署

许可证： Chronos-2 根据 Apache 2.0 许可证发布，允许在限制极少的情况下进行商业使用、修改和分发。这种开源性质鼓励广泛采用并将其集成到专有系统中。

部署选项：

• 本地推理： 用户可以使用 Python 库在本地运行 Chronos-2。推荐的方法是通过 chronos-forecasting 包安装。安装非常简单：pip install chronos-forecasting。可以使用 Hugging Face Transformers 或专用的 Chronos 管道加载模型。
• Amazon SageMaker： 对于企业级部署，亚马逊建议使用 SageMaker 上的 AutoGluon-Cloud。这仅需三行代码即可实现无服务器、实时或批量推理。它自动处理扩展和基础设施管理。
• SageMaker JumpStart： 另一个选项是通过 SageMaker JumpStart 进行部署，它提供预配置的端点以便快速集成。
• 硬件要求： 虽然针对 GPU 加速（CUDA）进行了优化，但 Chronos-2 支持 CPU 推理。然而，对于高吞吐量应用，强烈建议使用 GPU 以利用模型的速度优势。

替代方案

• Chronos-Bolt： Chronos 的一个更快、更轻量的变体，但上下文/预测长度较短，且原生不支持多变量预测或未来协变量。
• 原始 Chronos： 该系列中的第一个版本，支持的时间步长较少，缺乏 Chronos-2 的一些高级协变量处理能力。
• 统计模型 (ARIMA, Prophet)： 传统方法，需要手动特征工程，与基础模型相比，扩展到数千个序列的可扩展性较差。
• 深度学习模型 (N-BEATS, TFT)： 专用神经网络，通常需要对每个任务进行大量的训练数据和调优，这与 Chronos-2 的零样本方法不同。

常见问题解答

问：Chronos-2 和 Chronos-Bolt 有什么区别？ 答：Chronos-2 支持多变量预测、过去/未来协变量，并具有更大的上下文/预测长度（8192/1024 vs 2048/64）。Chronos-Bolt 速度更快，但在范围上更有限。

问：我可以免费使用 Chronos-2 吗？ 答：是的，该模型在 Apache 2.0 下开源。您可以免费下载并在本地免费运行。云部署成本取决于提供商（例如 AWS SageMaker 定价）。

问：它需要微调吗？ 答：不需要，Chronos-2 专为零样本预测而设计。它在未见数据上开箱即用表现良好。微调是可选的，但如果拥有足够的数据，可以提高特定领域的性能。

问：我如何安装库？ 答：使用 pip：pip install chronos-forecasting。然后按照文档所示导入管道并加载模型。

问：它适合生产环境吗？ 答：是的，特别是当通过 Amazon SageMaker 和 AutoGluon-Cloud 部署时，它提供可扩展性、监控以及与 pandas DataFrames 的轻松集成。