В мире анализа временных рядов (Time Series Forecasting) существует вечная дилемма, знакомая каждому дата-сайентисту и инженеру данных. С одной стороны, у нас есть мощные предобученные модели, способные делать прогнозы «из коробки» (zero-shot), без долгого обучения на ваших конкретных данных. С другой стороны, ни одна модель не является универсальной серебряной пулей. Архитектура, которая блестяще справляется с плавными промышленными сигналами, может полностью провалиться на зашумленных данных розничных продаж или при прогнозировании длинных сезонных циклов. Выбор «той самой» модели часто превращается в дорогостоящий эксперимент, требующий тонкой настройки гиперпараметров и подбора весов для каждого нового набора данных.
Команда IBM Research предлагает элегантное решение этой проблемы с помощью Granite Timeseries Ensemble. Вместо того чтобы заставлять разработчика гадать, какая из архитектур лучше подходит для его задачи, IBM предлагает объединить четыре различные модели в единый ансамбль. Этот подход, вдохновленный методами метеорологии, позволяет получить медианные и квантильные прогнозы без какого-либо дообучения (fine-tuning) и без необходимости вычислять адаптивные веса. Результат — надежный базовый уровень (baseline), который работает стабильно хорошо на широком спектре задач, экономя время и ресурсы.
01Философия ансамблевого прогнозирования: от погоды к данным
Идея ансамблевого прогнозирования не нова, но она доказала свою эффективность на практике. Наиболее известный пример — это прогнозирование погоды. Метеорологические службы, такие как ECMWF (Европейский центр среднесрочных прогнозов погоды), используют системы, объединяющие результаты работы множества различных моделей. Каждая модель имеет свои особенности, допущения и источники ошибок. Комбинируя их, можно получить более устойчивый и точный прогноз, чем от любой отдельной модели.
В контексте временных рядов принцип работает аналогично. Разные архитектуры нейронных сетей улавливают паттерны данных по-разному. Одна модель может быть чувствительна к локальным трендам, другая — к глобальной сезонности, третья — к сложным нелинейным зависимостям. Ошибки этих моделей, как правило, не совпадают. Ансамбль объединяет эти различные «взгляды» на будущее, сглаживая индивидуальные промахи каждой архитектуры и создавая более сбалансированный прогноз.
IBM Granite Timeseries Ensemble реализует эту философию через открытый интерфейс. Вы получаете не просто одну «черную коробку», а расширяемую рецептуру, которая позволяет комбинировать прогнозы различных моделей. Это снижает неопределенность: вам не нужно заранее знать, какая архитектура лучше подойдет для ваших данных, так как ансамбль берет на себя эту роль, предоставляя sensible default (разумное значение по умолчанию).
02Четыре архитектуры в одном ансамбле
Сердцем решения является комбинация четырех предобученных моделей из семейства IBM Granite. Каждая из них построена на совершенно разной архитектурной основе, что обеспечивает необходимую диверсификацию ошибок. Давайте разберем каждого участника:
- Granite PatchTST-FM-r1 (Patched Transformer): Эта модель использует трансформерную архитектуру, адаптированную для временных рядов. Идея «Patch» (фрагментации) заключается в том, что вместо обработки каждого временного шага отдельно, данные разбиваются на сегменты (патчи). Это позволяет модели улавливать долгосрочные зависимости и глобальные паттерны, эффективно снижая вычислительную сложность по сравнению с классическими трансформерами.
- Granite PatchTST-FM-r2 (Patched Conformer): Здесь используется архитектура Conformer, которая сочетает в себе преимущества сверточных нейронных сетей (CNN) и трансформеров. CNN хорошо захватывают локальные паттерны и инвариантны к небольшим сдвигам, а трансформерная часть улавливает глобальный контекст. Это делает модель особенно эффективной для данных со сложной локальной структурой.
- Granite FlowState-r1.1 (State-space model): Это модель на основе пространств состояний (State-Space Models, SSM), таких как Mamba. SSMs известны своей способностью эффективно обрабатывать длинные последовательности с линейной сложностью вычислений. Они отлично справляются с сохранением долгосрочных зависимостей и часто показывают высокую скорость инференса, что критично для реального времени.
- Granite TTM-r3 (Tiny Time Mixers): Эта архитектура основана на MLP-миксерах. Она проще предыдущих, но демонстрирует удивительную эффективность благодаря своей способности быстро обучаться и работать в условиях zero-shot или few-shot сценариев. TTM фокусируется на смешивании признаков (feature mixing) для выявления сложных нелинейных взаимодействий.
Совокупность этих четырех архитектур покрывает широкий спектр подходов к анализу данных: от глобальных трансформерных представлений до локальных сверточных фильтров и эффективных пространств состояний. Как отмечается в обзорах комбинирования прогнозов, диверсификация членов ансамбля так же важна, как и их индивидуальная точность.
03Два метода объединения: вероятностный и IQR
Каждая из четырех моделей выдает не просто одно число (точечный прогноз), а распределение вероятностей в виде квантилей (например, 10-й, 50-й и 90-й проценти). Главная задача ансамбля — объединить эти распределения в одно итоговое. IBM предлагает два основных рецепта (метода) объединения:
1. Вероятностный ансамбль (Probabilistic Ensemble) — Рекомендуемый по умолчанию
Этот метод использует подход uniform probability pooling (равномерное пулирование вероятностей). Проще говоря, каждой из четырех моделей присваивается одинаковый вес (25% каждая). Их квантильные прогнозы объединяются в вероятностном пространстве, и из полученного смешанного распределения извлекаются запрашиваемые квантилы.
Почему это работает? Существует известный феномен в статистике, называемый «загадкой комбинирования прогнозов» (forecast combination puzzle). Исследования показывают, что простые комбинации с равными весами часто превосходят сложные методы, где веса оцениваются на основе исторических ошибок. Это связано с тем, что оценка весов сама по себе вносит ошибку. Вероятностный ансамбль избегает этого, фиксируя веса, что делает его устойчивым и не требующим настройки под конкретный набор данных.
2. IQR Ансамбль (Inter Quartile Range Ensemble) — Адаптивная альтернатива
Этот метод пытается быть более «умным», присваивая больший вес моделям, которые выдают более узкие интервалы прогнозирования. Идея в том, что узкий интервал может свидетельствовать о высокой уверенности модели. Вес рассчитывается на основе межквартильного размаха (IQR) — разницы между 75-м и 25-м процентилями прогноза каждой модели.
Однако у этого подхода есть нюансы. Узкий интервал не всегда означает высокую точность; иногда это просто излишняя самоуверенность модели (overconfidence). Чтобы смягчить этот эффект, в рецепте IQR предусмотрена настройка «температуры» (temperature), которая позволяет сдвигать веса в сторону равномерного распределения, а также ограничение на максимальный вес одной модели. Кроме того, используется изотоническая регрессия, чтобы гарантировать, что квантилы не пересекались (например, 90-й квантил всегда больше 50-го).
04Результаты тестирования: GIFT-Eval Benchmark
Чтобы оценить эффективность подхода, IBM протестировала ансамбль на датасете GIFT-Eval, который включает 97 различных конфигураций временных рядов. Важно отметить, что модели не дообучались (fine-tuning) на тестовых данных, а агрегационные методы не настраивались под тестовые цели. Это честное сравнение в условиях zero-shot.
Оценка проводилась по двум ключевым метрикам:
- MASE (Mean Absolute Scaled Error): Для точечных прогнозов. Меньшее значение лучше.
- CRPS / MWQL (Continuous Ranked Probability Score / Mean Weighted Quantile Loss): Для вероятностных прогнозов. Меньшее значение лучше.
Результаты показали, что оба ансамбля превосходят все четыре отдельные модели по совокупному показателю MASE и среднему рангу MASE. Вероятностный ансамбль показал лучший результат по MASE (0.683) среди всех представленных вариантов, немного опередив лучшую одиночную модель PatchTST-FM-r2 (0.685).
Однако в метрике CRPS (вероятностная точность) ситуация интереснее. Одиночная модель PatchTST-FM-r2 сохранила лучший совокупный балл CRPS. IQR Ансамбль показал лучший средний ранг по CRPS, а Вероятностный Ансамбль занял место позади PatchTST-FM-r2. Это подчеркивает важный момент: ансамбль обеспечивает робастность (устойчивость) и стабильность, но не всегда является абсолютным лидером во всех метриках. Его главная ценность — в том, что он дает «достаточно хороший» результат без необходимости выбирать лучшую архитектуру заранее.
На момент оценки (октябрь 2026 года) ансамблевые подходы занимали 3-е место среди всех допустимых систем в рейтинге GIFT-Eval. Это подтверждает, что метод не просто «хорош для старта», а является конкурентоспособным решением уровня state-of-the-art, особенно с учетом того, что он не требует тонкой настройки.
05Как запустить ансамбль на практике
IBM делает процесс интеграции максимально простым. Ансамбль доступен через библиотеку granite-tsfm на Hugging Face. Конфигурация хранится как рецепт, а не как объединенные веса моделей. При первом запуске система скачивает четыре чекпоинта моделей, что может занять время, но в дальнейшем это обеспечивает гибкость.
Вот как выглядит базовый код для запуска:
pip install "granite-tsfm>=0.3.11"
import pandas as pd
from tsfm_public.models.ensemble.modeling_ensemble import QuantileEnsembleForecaster
df = pd.read_csv(
"https://raw.githubusercontent.com/zhouhaoyi/ETDataset/main/ETDataset-small/ETTh1.csv",
parse_dates=["date"]
)
# Загрузка стандартного вероятностного ансамбля
ensemble = QuantileEnsembleForecaster.from_pretrained(
"ibm-granite/granite-timeseries-ensemble-r1"
)
result = ensemble(
df.tail(1024),
timestamp_column="date",
target_columns=["OT"],
context_length=1024,
prediction_length=24
)
print(result.prediction_outputs) # Точечный прогноз
print(result.quantile_outputs) # Квантили (по умолчанию от 0.1 до 0.9)Результат result.prediction_outputs содержит центральный прогноз (медиану), а result.quantile_outputs — интервалы неопределенности. Например, квантили 0.1 и 0.9 определяют интервал с номинальным покрытием 80%, что критически важно для управления рисками в бизнесе.
Для использования IQR-ансамбля достаточно изменить подпапку при загрузке:
ensemble = QuantileEnsembleForecaster.from_pretrained(
"ibm-granite/granite-timeseries-ensemble-r1",
subfolder="recipes/granite-iqr"
)06Расширяемость и интеграция
Одним из сильных сторон интерфейса является его открытость. Вы не ограничены только четырьмя моделями IBM. Общий интерфейс Forecaster позволяет добавлять совместимые внешние модели. Вы можете изменить состав членов ансамбля или метод агрегации, сохраняя тот же формат вывода. Это делает решение легко интегрируемым в существующие стеки прогнозирования.
В репозитории также есть расширенные рецепты с дополнительными чекпоинтами IBM Research. Однако обратите внимание: некоторые из этих моделей имеют отдельные лицензионные условия, включая ограничения на некоммерческое использование. Всегда проверяйте модельные карточки (model cards) перед использованием.
07Что это значит на практике
Для бизнеса и инженеров данных внедрение Granite Timeseries Ensemble означает переход от парадигмы «поиска лучшей модели» к парадигме «надежного базового уровня».
- Снижение рисков: Вам не нужно рисковать, выбрав неправильную архитектуру. Ансамбль берет на себя эту ответственность, предоставляя стабильный результат, который работает хорошо в среднем по многим типам данных.
- Экономия времени: Отпадает необходимость в длительных экспериментах по подбору гиперпараметров для каждой новой временной серии. Вы получаете работающий прогноз сразу после установки библиотеки.
- Управление неопределенностью: Получение квантильных прогнозов позволяет бизнесу планировать не только лучший сценарий, но и риски. Знание того, что с вероятностью 80% спрос будет в диапазоне от X до Y, критически важно для управления запасами и логистикой.
Однако важно помнить об ограничениях. Текущая версия ансамбля обрабатывает многомерные каналы независимо, не используя информацию между ними. Также агрегационные методы не гарантируют калибровку при резких сдвигах распределения данных (distribution shift). Поэтому, как и любой ML-инструмент, ансамбль требует мониторинга после развертывания и бэктестинга на репрезентативных данных вашего бизнеса.
В целом, IBM Granite Timeseries Ensemble R1 — это мощный шаг вперед в democratization (демократизации) передовых методов прогнозирования. Он делает сложные ансамблевые методы доступными для широкого круга пользователей, позволяя сосредоточиться на решении бизнес-задач, а не на тонкой настройке нейронных сетей.
08Заключение
Granite Timeseries Ensemble R1 от IBM Research предлагает зрелое, проверенное на бенчмарках решение для прогнозирования временных рядов. Объединяя четыре различные архитектуры (PatchTST, Conformer, FlowState, TTM) через простые, но эффективные методы агрегации, он обеспечивает высокую точность и робастность без необходимости дообучения. Для организаций, стремящихся внедрить AI в прогнозирование, это отличный отправной пункт, который снижает порог входа и минимизирует риски, связанные с выбором моделей.
Источник: Hugging Face ↗