使用 IBM Granite 时间序列模型进行集成预测

英文原标题：Ensemble forecasting with IBM Granite time-series models

本文为英文原文的机器翻译摘要，原文见：Hugging Face Blog ↗

• IBM 推出 Granite Timeseries Ensemble，将四个预训练的 Granite 时间序列模型（PatchTST-FM-r1、PatchTST-FM-r2、FlowState-r1.1、TTM-r3）组合成一个集成预测器，无需重新训练或拟合权重。
• 提供两种组合方式：Probabilistic Ensemble（均匀概率池化，默认推荐）和 IQR Ensemble（根据预测区间宽度自适应加权），均通过统一的 QuantileEnsembleForecaster 接口调用。
• 在 97 个 GIFT-Eval 数据集配置上评估，两个集成版本在 MASE 和 MASE Rank 上均优于四个单独模型；Probabilistic Ensemble 取得最低 MASE 0.683。
• 集成配方和默认成员模型采用宽松许可证，用户可从 Hugging Face 加载，并可通过相同接口扩展兼容的预测器。
• IQR Ensemble 权重随样本、目标和预测步长变化，提供温度参数和单成员权重上限，但窄区间不一定代表更准确或校准更好。

关键数据

• Probabilistic Ensemble 的 MASE 为 0.683，PatchTST-FM-r2 为 0.685，FlowState-r1.1 为 0.701，TTM-r3 为 0.724。
• 评估覆盖 97 个 GIFT-Eval 数据集配置，使用 2026 年 10 月 20 日捕获的排行榜分数。
• 默认分位数范围为 0.1 到 0.9，0.1 和 0.9 分位数定义名义 80% 覆盖的中心预测区间。
• 示例中上下文长度为 1024，预测长度为 24。

为什么值得看：该集成方法为时间序列预测提供了一个无需训练、开箱即用的默认方案，降低了选择单一模型的难度，并在基准测试中表现出优于单个模型的聚合性能。