IBM Granite 시계열 앙상블 R1 릴리스 노트

개요

IBM Granite 시계열 앙상블은 4가지 상호 보완적인 모델 아키텍처의 예측을 통합하는 시계열 예측을 위한 통합 인터페이스를 제공합니다. 이 시스템은 이러한 모델들을 결합함으로써 예측 작업에 대한 신뢰할 수 있는 기본값을 제공하며, 특정 데이터셋이나 기간에 대해 단일 아키텍처를 수동으로 선택해야 하는 번거로움을 줄여줍니다.

앙상블 아키텍처

기본 레시피는 4개의 사전 학습된 Granite 모델을 활용하며, 각 모델은 서로 다른 아키텍처를 사용하여 다양한 추세, 계절성 및 국소적 변동을 포착합니다:

  • Granite PatchTST-FM-r1: 패치된 Transformer 모델.
  • Granite PatchTST-FM-r2: 패치된 Conformer 모델.
  • Granite FlowState-r1.1: 상태 공간 모델.
  • Granite TTM-r3: Tiny Time Mixer (MLP mixer) 모델.

이 모델들은 데이터를 처리하는 방식이 다르기 때문에 오류 프로필이 일치하지 않으며, 이를 통해 앙상블은 평균적으로 단일 모델보다 더 안정적이고 정확한 결과를 생성할 수 있습니다.

집계 방법

앙상블은 예측을 결합하기 위한 두 가지 주요 방법을 지원하며, 두 방법 모두 피팅이나 학습이 필요하지 않습니다:

  • 확률적 앙상블 (기본값): 이 방법은 균일 확률 풀링을 사용하여 각 구성원에게 동일한 영향력을 부여합니다. 단순하고 조정 가능한 하이퍼파라미터가 없기 때문에 대부분의 애플리케이션에서 시작점으로 권장됩니다.
  • IQR 앙상블: 이 적응형 방법은 예측 범위에 따라 구성원의 가중치를 조정하며, 더 좁은 구간을 가진 모델을 선호합니다. 예측된 불확실성이 유익하다고 간주되는 애플리케이션에 유용합니다.

성능 및 평가

97개의 GIFT-Eval 데이터셋 구성에 대한 평가 결과, 앙상블 접근 방식이 개별 모델에 비해 뛰어난 견고성을 제공하는 것으로 나타났습니다. PatchTST-FM-r2와 같은 개별 모델이 특정 지표(예: 집계 CRPS)에서 앙상블보다 우수한 성능을 보일 때도 있지만, 앙상블은 다양한 데이터셋 전반에서 일관되게 더 높은 순위를 달성합니다. 주요 이점은 최적의 아키텍처를 사전에 식별할 필요 없이 다양한 시계열 전반에서 향상된 신뢰성을 제공한다는 점입니다.

구현

앙상블은 granite-tsfm 라이브러리를 통해 액세스할 수 있습니다. 이 시스템은 확장 가능하도록 설계되어 사용자가 기존 인터페이스에 호환되는 예측기를 교체하거나 추가할 수 있습니다.

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,
)

제한 사항 및 고려 사항

사용자는 다음과 같은 운영상의 제약 사항을 인지해야 합니다:

  • 리소스 사용량: 앙상블은 런타임에 4개의 체크포인트를 다운로드하고 실행하므로 단일 모델 배포에 비해 메모리 소비와 추론 지연 시간이 증가합니다.
  • 독립적인 채널: 현재 구현은 다변량 채널을 독립적으로 처리하며 채널 간 상관관계를 활용하지 않습니다.
  • 보정: 앙상블은 집계 정확도를 향상시키지만, 상당한 분포 변화에 대한 보정이나 견고성을 보장하지는 않습니다. 특정 사용 사례에 대한 성능을 검증하기 위해 대표 데이터에 대한 백테스팅을 수행하는 것이 좋습니다.

Sources