如何做出第一个预测Chronos-T5-Tiny实战AirPassengers航空乘客数据案例【免费下载链接】chronos-t5-tiny项目地址: https://ai.gitcode.com/hf_mirrors/autogluon/chronos-t5-tiny想用预训练时序模型做预测却不想自己训练Chronos-T5-Tiny 是一个只有 800 万参数的时间序列预训练模型它把时间序列翻译成语言模型能读懂的 token再像预测下一个词一样预测未来的数值。本文以经典的 AirPassengers 航空乘客数据集为例手把手带你做出第一个概率预测 什么是 Chronos-T5-TinyChronos 是一族基于语言模型架构的预训练时间序列预测模型foundation model for time series。它的核心思路很巧妙缩放与量化把历史序列按比例缩放并量化成离散 token类似把声音变成音素语言模型训练用交叉熵损失在这些 token 上训练 T5 模型学习时间序列的语言概率预测推理时自回归采样多条未来轨迹得到完整的预测分布而不只是一条线。上图为 Chronos 工作原理左侧将历史时间序列缩放、量化为 token中间用交叉熵损失训练时间序列语言模型右侧推理时采样 token 并反量化得到概率预测。与原版 T5 相比Chronos-T5 系列把词表从 32128 缩小到4096个 token参数量因此大幅减少。Tiny 版本基于 t5-efficient-tiny仅8M 参数适合在普通 CPU/入门级 GPU 上快速体验。关键参数一眼看懂模型行为由 config.json 中的chronos_config决定几个值得关注的值配置项值含义context_length512最多可读取 512 个历史时间点prediction_length64单次预测最多向前看 64 步num_samples20默认采样 20 条轨迹组成预测分布vocab_size4096量化 token 的词表大小模型权重存放在 model.safetensors解码参数见 generation_config.json。案例数据AirPassengers我们使用统计学经典数据集AirPassengers1949–1960 年某航空公司月度乘客数共 144 个月。它带有明显的上升趋势 季节性是验证时序模型的理想试金石。三步做出第一个预测第一步安装推理包Chronos 模型需要配套推理库来加载本模型仓库只存放权重与配置可在 Hugging Face 镜像或 GitCode 镜像中获取克隆仓库地址见文末说明pip install chronos-forecasting # 或按官方配套仓库说明安装第二步加载模型并预测import torch from chronos import ChronosPipeline # 加载 Chronos-T5-Tiny有 GPU 时指定 device_mapcuda pipeline ChronosPipeline.from_pretrained( amazon/chronos-t5-tiny, torch_dtypetorch.float32, ) # context一维张量即 144 个月的历史乘客数 forecast pipeline.predict(context, prediction_length12) # 形状[num_series, num_samples, prediction_length]只需一次predict调用模型就返回20 条未来 12 个月的采样轨迹——这正是概率预测的来源。第三步从采样轨迹读出预测结果原始输出是大量随机轨迹实际使用时通常只保留中位数 置信区间import numpy as np low, median, high np.quantile(forecast[0].numpy(), [0.1, 0.5, 0.9], axis0)median12 个月的点预测中位数轨迹low ~ high80% 预测区间直观表达预测有多不确定把历史曲线、中位数轨迹和区间画在一张图上就能直观看到模型对趋势与季节性的捕捉效果。什么时候该换更大的模型Chronos-T5 家族按参数规模分为五档可按数据量与算力按需升级模型参数量适用场景chronos-t5-tiny本仓库8M快速实验、批量推理、资源受限环境chronos-t5-mini20M中等规模任务chronos-t5-small46M精度与速度平衡chronos-t5-base200M生产级精度chronos-t5-large710M追求最佳精度新手常见踩坑速查 context 形状单条序列传一维张量批量预测传左填充的二维张量批次维在前超出 512 步历史context_length上限为 512过长序列会被截断可考虑降采样预测步数prediction_length建议不超过 64 且远小于历史长度否则尾部不确定性急剧放大想要更宽区间可增大num_samples如 20 → 100代价是更慢的推理。小结Chronos-T5-Tiny 把时间序列预测变成了加载模型 → 传入历史 → 一行 predict的三步操作。借助 AirPassengers 案例你既体验了 token 化预测的核心思想也拿到了带 80% 预测区间的概率化结果。下一步不妨换自己的业务数据销量、流量、能耗试试遇到精度瓶颈再升级到 mini/small 档位即可 如需获取本模型完整权重仓库克隆地址https://gitcode.com/hf_mirrors/autogluon/chronos-t5-tiny【免费下载链接】chronos-t5-tiny项目地址: https://ai.gitcode.com/hf_mirrors/autogluon/chronos-t5-tiny创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 如何做出第一个预测？Chronos-T5-Tiny实战：AirPassengers航空乘客数据案例
如何做出第一个预测Chronos-T5-Tiny实战AirPassengers航空乘客数据案例【免费下载链接】chronos-t5-tiny项目地址: https://ai.gitcode.com/hf_mirrors/autogluon/chronos-t5-tiny想用预训练时序模型做预测却不想自己训练Chronos-T5-Tiny 是一个只有 800 万参数的时间序列预训练模型它把时间序列翻译成语言模型能读懂的 token再像预测下一个词一样预测未来的数值。本文以经典的 AirPassengers 航空乘客数据集为例手把手带你做出第一个概率预测 什么是 Chronos-T5-TinyChronos 是一族基于语言模型架构的预训练时间序列预测模型foundation model for time series。它的核心思路很巧妙缩放与量化把历史序列按比例缩放并量化成离散 token类似把声音变成音素语言模型训练用交叉熵损失在这些 token 上训练 T5 模型学习时间序列的语言概率预测推理时自回归采样多条未来轨迹得到完整的预测分布而不只是一条线。上图为 Chronos 工作原理左侧将历史时间序列缩放、量化为 token中间用交叉熵损失训练时间序列语言模型右侧推理时采样 token 并反量化得到概率预测。与原版 T5 相比Chronos-T5 系列把词表从 32128 缩小到4096个 token参数量因此大幅减少。Tiny 版本基于 t5-efficient-tiny仅8M 参数适合在普通 CPU/入门级 GPU 上快速体验。关键参数一眼看懂模型行为由 config.json 中的chronos_config决定几个值得关注的值配置项值含义context_length512最多可读取 512 个历史时间点prediction_length64单次预测最多向前看 64 步num_samples20默认采样 20 条轨迹组成预测分布vocab_size4096量化 token 的词表大小模型权重存放在 model.safetensors解码参数见 generation_config.json。案例数据AirPassengers我们使用统计学经典数据集AirPassengers1949–1960 年某航空公司月度乘客数共 144 个月。它带有明显的上升趋势 季节性是验证时序模型的理想试金石。三步做出第一个预测第一步安装推理包Chronos 模型需要配套推理库来加载本模型仓库只存放权重与配置可在 Hugging Face 镜像或 GitCode 镜像中获取克隆仓库地址见文末说明pip install chronos-forecasting # 或按官方配套仓库说明安装第二步加载模型并预测import torch from chronos import ChronosPipeline # 加载 Chronos-T5-Tiny有 GPU 时指定 device_mapcuda pipeline ChronosPipeline.from_pretrained( amazon/chronos-t5-tiny, torch_dtypetorch.float32, ) # context一维张量即 144 个月的历史乘客数 forecast pipeline.predict(context, prediction_length12) # 形状[num_series, num_samples, prediction_length]只需一次predict调用模型就返回20 条未来 12 个月的采样轨迹——这正是概率预测的来源。第三步从采样轨迹读出预测结果原始输出是大量随机轨迹实际使用时通常只保留中位数 置信区间import numpy as np low, median, high np.quantile(forecast[0].numpy(), [0.1, 0.5, 0.9], axis0)median12 个月的点预测中位数轨迹low ~ high80% 预测区间直观表达预测有多不确定把历史曲线、中位数轨迹和区间画在一张图上就能直观看到模型对趋势与季节性的捕捉效果。什么时候该换更大的模型Chronos-T5 家族按参数规模分为五档可按数据量与算力按需升级模型参数量适用场景chronos-t5-tiny本仓库8M快速实验、批量推理、资源受限环境chronos-t5-mini20M中等规模任务chronos-t5-small46M精度与速度平衡chronos-t5-base200M生产级精度chronos-t5-large710M追求最佳精度新手常见踩坑速查 context 形状单条序列传一维张量批量预测传左填充的二维张量批次维在前超出 512 步历史context_length上限为 512过长序列会被截断可考虑降采样预测步数prediction_length建议不超过 64 且远小于历史长度否则尾部不确定性急剧放大想要更宽区间可增大num_samples如 20 → 100代价是更慢的推理。小结Chronos-T5-Tiny 把时间序列预测变成了加载模型 → 传入历史 → 一行 predict的三步操作。借助 AirPassengers 案例你既体验了 token 化预测的核心思想也拿到了带 80% 预测区间的概率化结果。下一步不妨换自己的业务数据销量、流量、能耗试试遇到精度瓶颈再升级到 mini/small 档位即可 如需获取本模型完整权重仓库克隆地址https://gitcode.com/hf_mirrors/autogluon/chronos-t5-tiny【免费下载链接】chronos-t5-tiny项目地址: https://ai.gitcode.com/hf_mirrors/autogluon/chronos-t5-tiny创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考