FlowState 1.1版本深度解读新增CauKer数据训练与4096上下文窗口带来的提升【免费下载链接】flowstate项目地址: https://ai.gitcode.com/hf_mirrors/ibm-research/flowstateFlowState是由IBM Research开源的首个时间尺度可调时间序列基础模型TSFM。该模型创新性地结合了状态空间模型SSM编码器与函数基解码器能够在时间尺度不变的系数空间中进行连续预测实现对任意采样率的无缝适配。FlowState 1.1版本在原有基础上带来了多项重要升级包括新增CauKer数据训练、扩展上下文窗口至4096以及优化模型架构等显著提升了零 shot时间序列预测性能。 1.1版本核心升级亮点CauKer合成数据预训练提升跨场景泛化能力FlowState 1.1版本首次引入了基于CauKer方法生成的合成数据进行预训练。这种数据增强技术通过模拟真实世界中常见的时间序列模式与异常特征有效扩展了模型的训练数据多样性。实验表明结合合成数据训练后模型在不同领域如能源消耗、交通流量、金融市场的零 shot预测任务中表现出更稳定的泛化能力尤其在低资源场景下精度提升可达15%。上下文窗口翻倍4096序列长度释放预测潜力将预训练上下文窗口从2048扩展至4096是本次更新的另一关键改进。更长的上下文序列使模型能够捕捉时间序列中更长期的依赖关系特别是对于具有季节性和周期性特征的数据如每日用电模式、每周销售周期。在基准测试中4096窗口长度使模型对长周期趋势的预测误差降低了23%同时支持单次处理更大规模的时间序列数据。架构优化S5层输出门控与超参数调优1.1版本对模型架构进行了多项精细化调整S5层增强新增输出门控机制动态控制信息流权重提升特征提取效率MLP层扩展增大多层感知器隐藏层维度增强非线性拟合能力超参数优化通过贝叶斯搜索调整学习率调度与正则化参数减少过拟合风险这些改进使模型总参数量达到18.5M在保持轻量化优势的同时实现了性能飞跃。 性能突破小模型的大能力FlowState 1.1在保持模型紧凑性不足10M核心参数的前提下展现出超越同级别模型的预测精度。在GIFT-Eval零 shot预测排行榜中该模型以超过10倍参数优势领先于其他公开模型成为当前性能最佳的开源时间序列基础模型。其核心优势在于时间尺度自适应无需重训练即可适配任意采样率从分钟级到月级数据并行预测能力支持多连续片段并行预测大幅提升推理效率低资源需求可在单GPU环境下高效运行适合边缘计算场景 快速上手指南模型加载与基础预测使用以下代码即可加载FlowState 1.1模型并进行预测需注意指定revisionr1.1参数from tsfm_public import FlowStateForPrediction import torch device cuda # 加载研究版模型非商业用途 predictor FlowStateForPrediction.from_pretrained(ibm-research/flowstate, revisionr1.1).to(device) time_series torch.randn((2048, 32, 1), devicedevice) # 输入形状: [上下文长度, 批次大小, 特征数] forecast predictor(time_series, scale_factor0.25, prediction_length960, batch_firstFalse) print(forecast.prediction_outputs.shape) # 输出形状: [批次, 分位数, 预测长度, 特征数]时间尺度调整关键参数针对不同采样率数据推荐使用以下尺度因子scale_factor | 采样率 | 推荐尺度因子 | |--------|--------------| | 15分钟 | 0.25 | | 30分钟 | 0.5 | | 小时级 | 1.0 | | 日级 | 3.43周周期数据/ 0.0656非周周期数据 | | 周级 | 0.46 | | 月级 | 2.0 |尺度因子计算公式scale_factor 24 / 数据周期长度其中24为预训练基准周期。建议预测长度不超过30个数据周期以保证最佳精度。安装与环境配置克隆仓库git clone https://gitcode.com/hf_mirrors/ibm-research/flowstate按照官方文档完成依赖安装安装指南推荐使用Python 3.11环境并安装GIFT-Eval评估工具评估工具安装 资源与引用关键文档与示例入门教程flowstate_getting_started.ipynbGIFT评估示例flowstate_gift_eval.ipynb学术引用如果使用FlowState模型请引用以下论文article{graf2025flowstate, title{FlowState: Sampling Rate Invariant Time Series Forecasting}, author{Graf, Lars and Ortner, Thomas and Wo{\L}{\c{s}}niak, Stanis{\L} and Pantazi, Angeliki and others}, journal{arXiv preprint arXiv:2508.05287}, year{2025} }FlowState 1.1版本通过数据增强、架构优化与上下文扩展的三重升级为时间序列预测任务提供了更高效、更灵活的解决方案。无论是科研探索还是工业应用这款轻量级基础模型都展现出巨大潜力尤其适合需要跨时间尺度分析的复杂场景。【免费下载链接】flowstate项目地址: https://ai.gitcode.com/hf_mirrors/ibm-research/flowstate创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 FlowState 1.1版本深度解读：新增CauKer数据训练与4096上下文窗口带来的提升
FlowState 1.1版本深度解读新增CauKer数据训练与4096上下文窗口带来的提升【免费下载链接】flowstate项目地址: https://ai.gitcode.com/hf_mirrors/ibm-research/flowstateFlowState是由IBM Research开源的首个时间尺度可调时间序列基础模型TSFM。该模型创新性地结合了状态空间模型SSM编码器与函数基解码器能够在时间尺度不变的系数空间中进行连续预测实现对任意采样率的无缝适配。FlowState 1.1版本在原有基础上带来了多项重要升级包括新增CauKer数据训练、扩展上下文窗口至4096以及优化模型架构等显著提升了零 shot时间序列预测性能。 1.1版本核心升级亮点CauKer合成数据预训练提升跨场景泛化能力FlowState 1.1版本首次引入了基于CauKer方法生成的合成数据进行预训练。这种数据增强技术通过模拟真实世界中常见的时间序列模式与异常特征有效扩展了模型的训练数据多样性。实验表明结合合成数据训练后模型在不同领域如能源消耗、交通流量、金融市场的零 shot预测任务中表现出更稳定的泛化能力尤其在低资源场景下精度提升可达15%。上下文窗口翻倍4096序列长度释放预测潜力将预训练上下文窗口从2048扩展至4096是本次更新的另一关键改进。更长的上下文序列使模型能够捕捉时间序列中更长期的依赖关系特别是对于具有季节性和周期性特征的数据如每日用电模式、每周销售周期。在基准测试中4096窗口长度使模型对长周期趋势的预测误差降低了23%同时支持单次处理更大规模的时间序列数据。架构优化S5层输出门控与超参数调优1.1版本对模型架构进行了多项精细化调整S5层增强新增输出门控机制动态控制信息流权重提升特征提取效率MLP层扩展增大多层感知器隐藏层维度增强非线性拟合能力超参数优化通过贝叶斯搜索调整学习率调度与正则化参数减少过拟合风险这些改进使模型总参数量达到18.5M在保持轻量化优势的同时实现了性能飞跃。 性能突破小模型的大能力FlowState 1.1在保持模型紧凑性不足10M核心参数的前提下展现出超越同级别模型的预测精度。在GIFT-Eval零 shot预测排行榜中该模型以超过10倍参数优势领先于其他公开模型成为当前性能最佳的开源时间序列基础模型。其核心优势在于时间尺度自适应无需重训练即可适配任意采样率从分钟级到月级数据并行预测能力支持多连续片段并行预测大幅提升推理效率低资源需求可在单GPU环境下高效运行适合边缘计算场景 快速上手指南模型加载与基础预测使用以下代码即可加载FlowState 1.1模型并进行预测需注意指定revisionr1.1参数from tsfm_public import FlowStateForPrediction import torch device cuda # 加载研究版模型非商业用途 predictor FlowStateForPrediction.from_pretrained(ibm-research/flowstate, revisionr1.1).to(device) time_series torch.randn((2048, 32, 1), devicedevice) # 输入形状: [上下文长度, 批次大小, 特征数] forecast predictor(time_series, scale_factor0.25, prediction_length960, batch_firstFalse) print(forecast.prediction_outputs.shape) # 输出形状: [批次, 分位数, 预测长度, 特征数]时间尺度调整关键参数针对不同采样率数据推荐使用以下尺度因子scale_factor | 采样率 | 推荐尺度因子 | |--------|--------------| | 15分钟 | 0.25 | | 30分钟 | 0.5 | | 小时级 | 1.0 | | 日级 | 3.43周周期数据/ 0.0656非周周期数据 | | 周级 | 0.46 | | 月级 | 2.0 |尺度因子计算公式scale_factor 24 / 数据周期长度其中24为预训练基准周期。建议预测长度不超过30个数据周期以保证最佳精度。安装与环境配置克隆仓库git clone https://gitcode.com/hf_mirrors/ibm-research/flowstate按照官方文档完成依赖安装安装指南推荐使用Python 3.11环境并安装GIFT-Eval评估工具评估工具安装 资源与引用关键文档与示例入门教程flowstate_getting_started.ipynbGIFT评估示例flowstate_gift_eval.ipynb学术引用如果使用FlowState模型请引用以下论文article{graf2025flowstate, title{FlowState: Sampling Rate Invariant Time Series Forecasting}, author{Graf, Lars and Ortner, Thomas and Wo{\L}{\c{s}}niak, Stanis{\L} and Pantazi, Angeliki and others}, journal{arXiv preprint arXiv:2508.05287}, year{2025} }FlowState 1.1版本通过数据增强、架构优化与上下文扩展的三重升级为时间序列预测任务提供了更高效、更灵活的解决方案。无论是科研探索还是工业应用这款轻量级基础模型都展现出巨大潜力尤其适合需要跨时间尺度分析的复杂场景。【免费下载链接】flowstate项目地址: https://ai.gitcode.com/hf_mirrors/ibm-research/flowstate创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考