许可协议：apache-2.0
任务类型：时间序列预测
标签：

• 时间序列
• 预测
• 预训练模型
• 基础模型
• 时间序列基础模型
• 时序数据

Chronos-Bolt⚡（迷你版）

🚀 2025年2月14日更新：Chronos-Bolt模型现已登陆Amazon SageMaker JumpStart！查看教程笔记本，学习如何用几行代码部署Chronos端点至生产环境。

Chronos-Bolt是一系列预训练时间序列预测模型，支持零样本预测。其基于T5编码器-解码器架构，训练数据涵盖近千亿时间序列观测点。该模型将历史时间序列上下文分块为多观测点片段输入编码器，解码器则直接生成多步分位数预测——这种直接多步预测方法使其比原版Chronos同尺寸模型精度更高、提速250倍且内存效率提升20倍。

性能表现

下图对比了Chronos-Bolt与原版Chronos在512观测点上下文长度、64步预测视野下，对1024条时间序列的推理耗时。

Chronos-Bolt不仅速度显著提升，精度也全面超越原版。下图展示了27个数据集上加权分位数损失(WQL)和平均绝对比例误差(MASE)的聚合表现（基准细节见Chronos论文）。值得注意的是，零样本的Chronos-Bolt模型在未经训练的数据集上表现优于常规统计模型和深度学习模型（标*者），也超越其他基础模型（标+者，表示部分数据参与预训练）。Chronos-Bolt（基础版）在预测精度上甚至超越原版Chronos（大型版），同时推理速度快600余倍。

Chronos-Bolt提供以下规格：

使用指南

AutoGluon零样本推理

安装依赖：

pip install autogluon

执行预测：

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-tiny"},
    },
)

predictions = predictor.predict(df)

进阶功能（如微调和协变量预测）详见本教程。

部署至SageMaker

更新SageMaker SDK：

pip install -U sagemaker

部署推理端点：

from sagemaker.jumpstart.model import JumpStartModel

model = JumpStartModel(
    model_id="autogluon-forecasting-chronos-bolt-base",
    instance_type="ml.c5.2xlarge",
)
predictor = model.deploy()

发送JSON格式时序数据进行预测：

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支持CPU/GPU实例部署及协变量预测，端点API详情见示例笔记本。

引用

若使用Chronos或Chronos-Bolt模型，请引用论文：

@article{ansari2024chronos,
    title={Chronos: Learning the Language of Time Series},
    author={Ansari, Abdul Fatir and Stella, Lorenzo and Turkmen, Caner and Zhang, Xiyuan, and Mercado, Pedro and Shen, Huibin and Shchur, Oleksandr and Rangapuram, Syama Syndar and Pineda Arango, Sebastian and Kapoor, Shubham and Zschiegner, Jasper and Maddix, Danielle C. and Mahoney, Michael W. and Torkkola, Kari and Gordon Wilson, Andrew and Bohlke-Schneider, Michael and Wang, Yuyang},
    journal={Transactions on Machine Learning Research},
    issn={2835-8856},
    year={2024},
    url={https://openreview.net/forum?id=gerNCVqqtR}
}

许可证

本项目采用Apache-2.0许可证。