Chronos-Bolt⚡ (Base)

🚀 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 notebook，了解如何用几行代码将 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。Chronos-Bolt 模型的速度比同尺寸的原始 Chronos 模型快 250 倍，内存效率高 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，预测范围为 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 在 27 个数据集上聚合的概率预测和点预测性能（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 FM（以 + 表示），这意味着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) 在预测精度上甚至超越了原始 Chronos (Large) 模型，同时速度快 600 倍以上。

Chronos-Bolt 模型提供以下尺寸。

使用方法

与 AutoGluon 配合使用

在生产场景中使用 Chronos 的推荐方式是通过 AutoGluon。
AutoGluon 提供对 Chronos 模型的轻松微调，通过协变量回归器将协变量纳入预测，并与其它统计和机器学习模型进行集成以实现最大精度。
更多详情请查看 AutoGluon Chronos 教程。

以下是一个使用 AutoGluon 通过 Chronos-Bolt 进行零样本推理的最小示例：

安装所需依赖。

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": "amazon/chronos-bolt-base"},
    },
)

predictions = predictor.predict(df)

将 Chronos-Bolt 端点部署到 SageMaker

SageMaker JumpStart 使得只需几行代码即可轻松将 Chronos 端点部署到生产环境。
Chronos-Bolt 端点可以部署到 CPU 和 GPU 实例，并支持使用协变量进行预测。
更多详情请参阅此[示例 notebook](https://github.com/amazon-science/chronos-forecasting/