IBM 發布 Granite 時間序列集合預測模型

背景

預訓練時間序列模型可以在不針對特定資料集訓練的情況下進行預測，但使用者仍需選擇適合的單一模型。不同模型對平滑工業訊號、雜訊零售需求或長季節性預測的表現可能差異很大。IBM 推出 Granite Timeseries Ensemble，旨在透過組合多個互補架構來減少這種選擇的不確定性。 官方原文・Hugging Face Blog

發生什麼事

IBM 於 2026 年 10 月 22 日發布了 Granite Timeseries Ensemble。該方案提供一個可擴展的預測介面，整合了四個開放的 Granite 時間序列模型。使用者可以透過 Hugging Face 直接載入預設的四模型配方，無需重新訓練或調整集合權重即可獲得中位數與分位數預測。 官方原文・Hugging Face Blog

重點內容

預設配方包含四個不同架構的模型：Granite PatchTST-FM-r1（Patched Transformer）、Granite PatchTST-FM-r2（Patched Conformer）、Granite FlowState-r1.1（狀態空間模型）以及 Granite TTM-r3（Tiny Time Mixers，一種 MLP mixer 架構）。這些模型在預測時獨立運作，其分位數預測結果會被合併。預設的 Probabilistic Ensemble 採用均勻概率池化，給予每個成員相等影響，無需擬合步驟；另一種 IQR Ensemble 則根據預測區間寬度動態調整權重，較窄的區間獲得較大影響力。 官方原文・Hugging Face Blog 官方原文・arxiv.org 官方原文・arxiv.org

在 GIFT-Eval 基準測試的 97 個資料集配置中，兩種集合方法在 MASE（Mean Absolute Scaled Error，平均絕對尺度誤差）指標上均優於四個個別成員模型。其中 Probabilistic Ensemble 的 MASE 為 0.683，略低於表現最佳的單一模型 PatchTST-FM-r2 的 0.685。雖然 PatchTST-FM-r2 在 CRPS/MWQL（Continuous Ranked Probability Score / Mean Weighted Quantile Loss，連續排名概率分數/平均加權分位數損失）上得分最低（0.467），但 IQR Ensemble 在平均 CRPS 排名上表現最佳。官方指出，集合的主要優勢在於穩健性，讓開發者無需預先判斷哪種架構最適合特定資料。 官方原文・Hugging Face Blog

對使用者的意義

開發者可以透過 pip 安裝 granite-tsfm（版本 >=0.3.11）並從 Hugging Face 載入 ibm-granite/granite-timeseries-ensemble-r1 模型。該介面支援加入其他相容的預測器，無需合併權重或重新訓練。對於需要快速部署且缺乏特定領域專家來選擇最佳單一模型的團隊，此預設配方提供了一個簡單的起點，可直接輸出點預測與分位數預測（預設範圍 0.1 至 0.9）。 官方原文・Hugging Face Blog

限制與未定事項

目前的配方獨立預測多變數通道，未利用跨通道資訊。由於需載入四個成員檢查點，推論時間與記憶體使用量高於單一模型。此外，不同成員在上下文長度、預測範圍、預處理及缺失值處理上存在差異，且兩種聚合方法均不保證在分佈偏移下的校準或穩健性。部分擴展配方包含 IBM Research 檢查點，這些權重受非商業及研究用途限制，使用前需檢視各成員的模型卡片。 官方原文・Hugging Face Blog