新手必看Granite-TimeSeries-PatchTST-FM-r1快速上手指南含配置参数详解【免费下载链接】granite-timeseries-patchtst-fm-r1项目地址: https://ai.gitcode.com/hf_mirrors/ibm-granite/granite-timeseries-patchtst-fm-r1Granite-TimeSeries-PatchTST-FM-r1是一款基于Transformer架构的时间序列预测基础模型它结合了PatchTST的架构简洁性与创新的训练策略能够在零样本场景下实现高精度的时间序列预测。无论是金融市场分析、气象预测还是工业数据监测这款模型都能为你提供可靠的预测支持。 模型核心优势Granite-TimeSeries-PatchTST-FM-r1之所以能在众多时间序列模型中脱颖而出主要得益于以下三大特性1. 强大的零样本预测能力该模型在训练阶段采用了大规模多样化数据集包括GiftEvalPretrain精选子集、基于KernelSynth的自定义合成数据以及TSMixup数据集。这种多元化的训练数据使得模型能够适应各种不同类型的时间序列数据无需针对特定任务进行微调即可实现高精度预测。2. 创新的架构设计模型在传统PatchTST架构基础上进行了多项改进输入和输出投影中加入残差块引入分位数头支持概率预测采用连续补丁掩蔽和预测期随机掩蔽的增强训练策略以重构损失为目标进行训练这些改进使得模型在处理长序列和捕捉时间序列中的复杂模式时表现得更加出色。3. 同时支持数据填补和预测在推理时模型将预测视为对掩蔽预测期的重构而过去的上下文不会被掩蔽。如果上下文期间存在缺失值模型会同时填补缺失的时间点和预测未来的时间点从而提供同时的数据填补和预测能力。 模型性能表现Granite-TimeSeries-PatchTST-FM-r1在GIFT-Eval基准测试中表现优异截至2026年3月25日在可复制的零样本模型中排名前五。以下是模型在MASE和CRPS指标上的表现图1Granite-TimeSeries-PatchTST-FM-r1与其他模型在GIFT-Eval基准上的MASE分数对比越低越好图2Granite-TimeSeries-PatchTST-FM-r1与其他模型在GIFT-Eval基准上的CRPS分数对比越低越好注蓝色柱状图表示IBM TSFM发布的模型包括Granite-TimeSeries-PatchTST-FM-r1。⚙️ 配置参数详解模型的核心配置参数存储在config.json文件中以下是一些关键参数的解释基础架构参数architectures: [PatchTSTFMForPrediction] - 指定模型架构为PatchTSTFMForPredictionmodel_type: patchtst_fm - 模型类型为patchtst_fmdtype: float32 - 模型使用的浮点类型序列长度参数context_length: 8192 - 输入上下文长度支持处理长序列数据prediction_length: 64 - 预测长度即模型可以预测未来64个时间步模型维度参数d_model: 1024 - 模型的隐藏层维度d_patch: 16 - 补丁大小n_patch: 512 - 补丁数量Transformer参数n_head: 16 - 注意力头数量n_layer: 20 - Transformer层数norm_first: true - 是否在注意力和前馈网络之前应用层归一化训练相关参数pretrain_mask_ratio: 0.4 - 预训练时的掩蔽比例pretrain_mask_cont: 8 - 连续掩蔽的长度概率预测参数num_quantile: 99 - 分位数数量quantile_levels: [0.01, 0.02, ..., 0.99] - 分位数水平用于概率预测 快速开始指南1. 克隆仓库首先克隆项目仓库到本地git clone https://gitcode.com/hf_mirrors/ibm-granite/granite-timeseries-patchtst-fm-r1 cd granite-timeseries-patchtst-fm-r12. 安装依赖模型基于transformers库实现版本为4.57.6。你可以通过以下命令安装所需依赖pip install transformers4.57.63. 加载模型和配置使用transformers库加载模型和配置from transformers import AutoModelForPrediction, AutoConfig config AutoConfig.from_pretrained(./) model AutoModelForPrediction.from_pretrained(./, configconfig)4. 进行预测准备好你的时间序列数据后就可以使用模型进行预测了。具体的使用方法可以参考IBM TSFM仓库中的示例代码。 进一步学习资源模型架构细节可以参考论文Revisiting the Generic Transformer: Deconstructing a Strong Baseline for Time Series Foundation Models更多实现细节可以查看IBM TSFM repository官方HuggingFace实现PatchTST 致谢Granite-TimeSeries-PatchTST-FM-r1的开发是伦斯勒理工学院和IBM的合作成果。本工作得到了IBM通过IBM伦斯勒计算未来研究合作FCRC的部分支持。促成这项工作的计算资源由国家人工智能研究资源NAIRR试点和Mass Open Cloud提供。希望本指南能帮助你快速上手Granite-TimeSeries-PatchTST-FM-r1模型如果你有任何问题或建议欢迎在项目仓库中提出。【免费下载链接】granite-timeseries-patchtst-fm-r1项目地址: https://ai.gitcode.com/hf_mirrors/ibm-granite/granite-timeseries-patchtst-fm-r1创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
