IBM Graniteの時系列モデルによるアンサンブル予測
IBMのGranite Timeseries Ensembleは、アーキテクチャの異なる4つの事前学習済みGraniteモデルを再学習なしで組み合わせ、点予測と分位予測を出力する。GIFT-Evalでは、比較した6つの予測のうち確率的アンサンブルのMASEが最小だったが、差はわずかだった。
記事の内容
IBM Research は2026年10月22日、Hugging Face のブログで「Granite Timeseries Ensemble」を公開しました。事前学習済みの Granite 時系列モデル4種(PatchTST-FM-r1、PatchTST-FM-r2、FlowState-r1.1、TTM-r3)を組み合わせる予測レシピで、系列ごとに1つのモデルを選ぶ必要がなく、再学習やアンサンブル重みの調整も不要です。
出力は中央値予測と分位点予測(既定は0.1〜0.9)です。集約方法は、確率的方式(推奨)と、予測の幅に応じて重み付けする IQR 方式の2つ。GIFT-Eval(97構成)では、どちらのアンサンブルも集計 MASE で4つの個別モデルを上回りました。著者は、多変量チャネルを独立に予測すること、推論時間とメモリが増えること、較正が保証されないことを制約として挙げ、利用前に代表的なデータでのバックテストを勧めています。
この要約は、Hugging Face の公式ページをもとに AnnuIA が自分の言葉で作成しました。内容および権利は発行元に帰属します。元の記事をご覧ください。