Chronos-Bolt⚡ (Small)

🚀 2025年2月14日更新：Chronos-Bolt 模型现已可在 Amazon SageMaker JumpStart 上使用！请查看教程 notebook，了解如何通过几行代码将 Chronos 端点部署到生产环境。

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 encoder-decoder 架构，并在近 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切分为多个观测值的 patch，然后输入到 encoder 中。decoder 则利用这些表示直接生成跨多个未来步长的分位数预测——这种方法称为直接多步预测。与相同规模的原始 Chronos 模型相比，Chronos-Bolt 模型更准确，速度快达 250 倍，内存效率提升 20 倍。

性能

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

Chronos-Bolt 模型不仅速度显著更快，而且比原始 Chronos 模型更准确。下图分别以 加权分位数损失 (WQL) 和 平均绝对缩放误差 (MASE) 报告了 Chronos-Bolt 的概率预测和点预测性能，结果汇总自 27 个数据集（有关该基准的详细信息，请参阅 Chronos 论文）。值得注意的是，尽管在训练期间未接触过这些数据集，零样本的 Chronos-Bolt 模型仍优于在这些数据集上训练过的常用统计模型和深度学习模型（以 * 标记）。此外，它们的表现也优于其他基础模型（以 + 标记），这些模型在我们的基准测试中的某些数据集上进行了预训练，并非完全零样本。值得注意的是，Chronos-Bolt (Base) 在预测精度上也超越了原始 Chronos (Large) 模型，同时速度快了 600 倍以上。

Chronos-Bolt 模型提供以下规格。

使用方法

在 AutoGluon 中使用 Chronos-Bolt 进行零样本推理

安装所需的依赖项。

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)

如需更高级的功能，例如微调和使用协变量进行预测，请查看此教程。

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。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 notebook。

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