IBM Granite時系列アンサンブルR1リリースノート

概要

IBM Granite時系列アンサンブルは、4つの補完的なモデルアーキテクチャからの予測を集約する、時系列予測のための統合インターフェースを提供します。これらのモデルを組み合わせることで、システムは予測タスクに対して信頼性の高いデフォルトを提供し、特定のデータセットや期間に対して単一のアーキテクチャを手動で選択する必要性を低減します。

アンサンブルアーキテクチャ

デフォルトのレシピでは、4つの事前学習済みGraniteモデルを利用しており、それぞれが異なるアーキテクチャを採用して、さまざまなトレンド、季節性、および局所的な変動を捉えます。

  • Granite PatchTST-FM-r1: パッチ適用済みTransformerモデル。
  • Granite PatchTST-FM-r2: パッチ適用済みConformerモデル。
  • Granite FlowState-r1.1: 状態空間モデル。
  • Granite TTM-r3: Tiny Time Mixer (MLP mixer) モデル。

これらのモデルはデータの処理方法が異なるため、エラープロファイルが一致せず、アンサンブルは平均してどの単一のメンバーよりも安定した正確な結果を生成できます。

集約手法

アンサンブルは、予測を組み合わせるための2つの主要な手法をサポートしており、どちらもフィッティングやトレーニングを必要としません。

  • 確率的アンサンブル (デフォルト): この手法は一様確率プーリングを使用し、各メンバーに等しい影響力を与えます。シンプルで調整可能なハイパーパラメータがないため、ほとんどのアプリケーションの出発点として推奨されます。
  • IQRアンサンブル: この適応型手法は、予測の広がり（スプレッド）に基づいてメンバーに重みを付け、より狭い間隔を持つモデルを優先します。予測された不確実性が有益であると考えられるアプリケーションに役立ちます。

パフォーマンスと評価

97のGIFT-Evalデータセット構成での評価は、アンサンブルアプローチが個々のモデルと比較して優れた堅牢性を提供することを示しています。PatchTST-FM-r2のような個々のモデルが特定の指標（集計CRPSなど）でアンサンブルを上回ることはありますが、アンサンブルは多様なデータセット全体で一貫して高いランキングを達成します。主な利点は、事前に最適なアーキテクチャを特定する必要なく、さまざまな系列全体で信頼性が向上することです。

実装

アンサンブルには granite-tsfm ライブラリからアクセスできます。システムは拡張可能に設計されており、ユーザーは既存のインターフェースに対して互換性のある予測モデルを交換または追加できます。

from tsfm_public.models.ensemble.modeling_ensemble import QuantileEnsembleForecaster

# Load the default ensemble
ensemble = QuantileEnsembleForecaster.from_pretrained(
    "ibm-granite/granite-timeseries-ensemble-r1",
)

# Generate forecasts
result = ensemble(
    df.tail(1024),
    timestamp_column="date",
    target_columns=["OT"],
    context_length=1024,
    prediction_length=24,
)

制限事項と考慮事項

ユーザーはいくつかの運用上の制約に注意する必要があります。

  • リソース使用量: アンサンブルは実行時に4つのチェックポイントをダウンロードして実行するため、単一モデルのデプロイメントと比較してメモリ消費量と推論レイテンシが増加します。
  • 独立したチャネル: 現在の実装では、多変量チャネルを独立して処理しており、チャネル間の相関関係を活用していません。
  • キャリブレーション: アンサンブルは集計精度を向上させますが、大幅な分布シフトに対するキャリブレーションや堅牢性を保証するものではありません。特定のユースケースのパフォーマンスを検証するために、代表的なデータでのバックテストを推奨します。

Sources