IBM Granite объединяет четыре модели для вероятностного прогноза
Новый рецепт смешивает прогнозы разных архитектур без обучения весов ансамбля. Доступны равное смешивание и адаптивный вариант по ширине интервала.
Зачем прогнозу несколько моделей
IBM опубликовала Granite Timeseries Ensemble — рецепт, объединяющий четыре предварительно обученные модели временных рядов. Задача здесь отличается от текстового диалога: по истории измерений система возвращает будущие значения и квантили, описывающие несколько возможных исходов. Разные архитектуры по-разному передают сезонность, плавный тренд и локальные колебания. Ансамбль уменьшает зависимость от выбора единственного участника, однако его смысл сохраняется только тогда, когда участники дают достаточно хорошие и дополняющие друг друга прогнозы. В релиз вошли два варианта PatchTST-FM, FlowState и Tiny Time Mixers. Они доступны через общий интерфейс, поэтому один и тот же набор данных можно пропустить через согласованную процедуру.
Равное влияние без подгонки коэффициентов
Рекомендуемый вариант Probabilistic Ensemble смешивает прогнозы в пространстве вероятностей с одинаковым влиянием участников, после чего извлекает нужные квантили и медиану. Для нового ряда не требуется обучать коэффициенты смеси на его истории ошибок. Это сокращает число настраиваемых параметров и делает стартовый результат воспроизводимым. Но отсутствие подгонки весов не означает отсутствие входной истории, требований к формату или вычислительных затрат: каждый участник по-прежнему должен построить собственный прогноз. В карточке рецепта описан загрузчик, а публикация указывает пакет Granite TSFM. Один интерфейс скрывает различия вызовов, но не превращает четыре вычисления в одно.
Почему узкий интервал ещё не означает точность
Альтернатива IQR Ensemble меняет вклад участников по ширине межквартильного интервала. Более узкий прогноз получает больший вес. Коэффициенты могут различаться для отдельных примеров, показателей и шагов горизонта; они также не обучаются по историческим ошибкам. У такого правила есть содержательное ограничение: переуверенная модель способна дать узкий, но неверный интервал и получить слишком большое влияние. Авторы прямо отмечают этот риск и описывают параметры ограничения вклада участника и сглаживания весов. Изотоническая регрессия удерживает итоговые квантили в согласованном порядке. Это техническая корректность распределения, а не доказательство, что заявленный интервал действительно покрывает нужную долю будущих наблюдений.
Что возвращает готовый рецепт
Репозиторий ансамбля содержит конфигурации, а не единый слитый набор весов. При первом запуске четыре участника загружаются из собственных репозиториев. Стандартный рецепт возвращает девять квантилей от 0,1 до 0,9; медиана 0,5 используется как точечный прогноз. В примере API принимает таблицу, имя временной колонки, список целевых колонок, длину истории и горизонт. Тип Tiny Time Mixers выбирается с учётом требуемого контекста и горизонта. Результаты точки и квантилей выдаются отдельно. Система допускает продолжение при отказе одного участника, однако тогда фактический состав ансамбля меняется. Несколько целевых каналов прогнозируются независимо; межканальные зависимости в данном рецепте не используются. Расширенные исследовательские рецепты имеют отдельные условия весов участников.
