IBM开源Granite时间序列集成模型

预训练时间序列模型无需针对特定数据集训练即可进行预测，但在实际应用中，工程师往往面临选择困难：适合平滑工业传感器信号的模型，面对充满噪声的零售需求或长周期季节性数据时可能表现欠佳。究竟哪款模型最优，取决于具体序列特征与预测任务。

IBM Research 推出的开源方案 Granite Timeseries Ensemble 解决了这一痛点。该方案将 4 种互补的 Granite 模型架构合而为一，无需重新训练，也不需要拟合集成权重，一次调用即可直接返回中位数点预测及分位数区间预测。

这种思路类似于气象预测中的“集合预报”（Ensemble forecasting）：集合系统通过结合多个不同模型的推演，提供更可靠的预测区间。时序预测同样能从多样化架构中获益，集成方法将各个模型的视角融合成一个兼具泛化性与稳健性的结果。

快速上手体验

只需安装 granite-tsfm 库，即可直接从 Hugging Face 加载官方推荐的四模型集成方案：

pip install "granite-tsfm>=0.3.11"

import pandas as pd
from tsfm_public.models.ensemble.modeling_ensemble import QuantileEnsembleForecaster

# 读取示例数据
df = pd.read_csv(
    "https://raw.githubusercontent.com/zhouhaoyi/ETDataset/main/ETT-small/ETTh1.csv",
    parse_dates=["date"],
)

# 加载集成配方
ensemble = QuantileEnsembleForecaster.from_pretrained(
    "ibm-granite/granite-timeseries-ensemble-r1",
)

# 运行推理
result = ensemble(
    df.tail(1024),
    timestamp_column="date",
    target_columns=["OT"],
    context_length=1024,
    prediction_length=24,
)

print(result.prediction_outputs)  # 点预测
print(result.quantile_outputs)    # 分位数预测（默认 0.1 到 0.9）

该方案保存的是集成配置而非合并后的权重参数，运行时会按需下载 4 个成员模型的检查点。result.prediction_outputs 提供点预测值，result.quantile_outputs 则提供分位数预测，例如 0.1 和 0.9 分位数可构成覆盖率 80% 的预测置信区间。

4 款异构集成成员

默认配方聚合了 4 款架构各异的预训练 Granite 模型：

• Granite PatchTST-FM-r1：基于 Patched Transformer 架构
• Granite PatchTST-FM-r2：基于 Patched Conformer 架构
• Granite FlowState-r1.1：基于状态空间模型（SSM）
• Granite TTM-r3：基于轻量级 MLP-Mixer 的 Tiny Time Mixers

不同的架构在捕捉趋势、季节性以及局部波动时各有侧重，其误差分布互不重叠。历史研究表明，在不确定哪个单模型最强的情况下，集成不同架构能显著降低选错模型的风险。

两种预测聚合机制

所有成员模型均输出分位数预测。官方提供了两种主要聚合方式：

1. 概率集成（Probabilistic Ensemble，推荐默认）：各模型被赋予相同的发言权（均匀概率池化），直接在概率空间合并分位数预测并提取目标区间。权重完全固定，无需对新序列进行任何超参数拟合。
2. 四分位距集成（IQR Ensemble，自适应方案）：根据各模型的预测离散程度动态赋权，预测区间更窄的模型获得更高权重。权重随样本、目标及时间步动态变化，同样无需历史误差拟合，并引入保序回归防止分位数交叉。

基准评测表现

在包含 97 组配置的 GIFT-Eval 时间序列基准测试中（无微调、零样本预测），两种集成方案与各单模型对比表现优异：

• 点预测（MASE）：概率集成取得了 0.683 的最佳 MASE 得分（排名 47.175），超越表现最好的单模型 PatchTST-FM-r2（0.685）。
• 概率预测（CRPS/MWQL）：IQR 集成在平均排名（47.619）上领先所有单个成员。