Pronóstico de conjuntos con modelos de series temporales IBM Granite
huggingface ·
IBM Research ha presentado Granite Timeseries Ensemble, una herramienta que combina cuatro modelos de series temporales preentrenados distintos para ofrecer pronósticos robustos sin necesidad de volver a entrenar. El conjunto integra arquitecturas como Transformers con parches, Conformer, modelos de espacio de estados y Tiny Time Mixers para capturar diversos patrones de datos. Los usuarios pueden elegir entre dos métodos de agregación: el Ensemble Probabilístico recomendado, que utiliza ponderaciones uniformes, o el Ensemble IQR adaptativo, que ajusta las ponderaciones según la dispersión de los pronósticos. Las evaluaciones en el benchmark GIFT-Eval demuestran que ambos enfoques de conjunto superan a los modelos individuales en precisión agregada de pronóstico puntual (MASE). Aunque modelos individuales como PatchTST-FM-r2 pueden obtener puntuaciones de error probabilístico más bajas, el conjunto ofrece una consistencia superior y reduce la necesidad de selección manual de modelos. La solución está diseñada como una interfaz extensible, lo que permite a los desarrolladores incorporar modelos externos compatibles mientras mantienen un formato de salida unificado. Aunque aumenta la latencia de inferencia debido a la carga de múltiples puntos de control, el conjunto proporciona un valor predeterminado práctico para aplicaciones donde resulta difícil elegir la arquitectura única óptima.
huggingface