使用IBM Granite时间序列模型进行集成预测
IBM的Granite Timeseries Ensemble将四个架构各异的预训练Granite预测模型组合起来，无需重新训练即可输出点预测和分位数预测。在GIFT-Eval上，概率集成在六种对比预测中MASE最低，但优势很小。
文章要点
IBM Research 于2026年10月22日在 Hugging Face 博客发布 Granite Timeseries Ensemble,这是一种预测方案,组合了四个预训练的 Granite 时间序列模型(PatchTST-FM-r1、PatchTST-FM-r2、FlowState-r1.1 和 TTM-r3)。它让用户不必为每条序列挑选单一模型,也无需重新训练或拟合集成权重。
该方案输出中位数预测和分位数预测,默认范围为0.1至0.9。聚合方法有两种:概率集成(推荐)和按预测区间宽窄加权的 IQR 集成。在 GIFT-Eval(97种配置)上,两种集成的总体 MASE 都优于四个单独模型。作者指出的局限包括:多变量通道被独立预测,推理时间和内存增加,不保证校准。他们建议在使用前用有代表性的数据做回测。
本摘要由 AnnuIA 根据 Hugging Face 官方页面用自己的话撰写。内容及版权归发布方所有，请阅读原文。