IBM 在 Hugging Face 发布 Granite 时间序列集成预测方案

核心事实

IBM Research 于 2026 年 10 月 22 日在 Hugging Face 博客发布 Granite Timeseries Ensemble。据文章介绍，该方案用一套可扩展的预测接口组合四个预训练 Granite 时间序列模型：Granite PatchTST-FM-r1（Patched Transformer）、Granite PatchTST-FM-r2（Patched Conformer）、Granite FlowState-r1.1（状态空间模型）与 Granite TTM-r3（Tiny Time Mixers）。配方保存的是集成配置而非合并后的模型权重，运行时下载四个成员检查点，因此首次运行需要额外时间。用户可通过 pip install "granite-tsfm>=0.3.11" 安装，并用 QuantileEnsembleForecaster.from_pretrained 加载。

背景与影响

文章指出，预训练时间序列模型无需在自有数据上训练即可预测，但使用者仍需在多个模型间做选择，而最佳选择取决于序列与任务。集成思路借鉴天气预报中的多模式集合。默认的 Probabilistic Ensemble 采用均匀概率池化，各成员权重相等，无需拟合步骤；备选的 IQR Ensemble 按成员预测区间宽度分配权重，区间越窄影响越大，并暴露温度参数与单成员权重上限。文章称，在 97 个 GIFT-Eval 数据集配置上，两种集成在汇总 MASE 与平均 MASE 排名上均优于四个单一成员，Probabilistic Ensemble 的 MASE 为 0.683；但 PatchTST-FM-r2 仍保持最低的汇总 CRPS/MWQL（0.467）。作者强调，集成的主要价值是稳健性而非登顶榜单，MASE 相对最佳单成员的领先幅度很小。

限制与来源

文章提醒，基准汇总增益不代表每条序列都受益，平均排名也不能证明校准良好；建议在代表性数据上回测，同时评估分位数损失、0.1 至 0.9 区间的实际覆盖率（名义 80%）以及运行时间与内存开销。IQR 加权可能偏向过度自信的成员。仓库中扩展配方包含 IBM Research 检查点，适用单独的许可条款，含非商业与研究用途限制，使用前需查阅各成员模型卡。上述排名为 2026 年 10 月 20 日快照，会随榜单新增条目变化。来源：Hugging Face 博客文章《Ensemble forecasting with IBM Granite time-series models》。具体功能、许可与可用性请以官网及模型卡当前信息为准。