IBM Granite Timeseries Ensemble: 4 modele, jedna prognoza

Model ensemble prognozowania szeregów czasowych od IBM Research, opublikowany na Hugging Face 22 października 2026 roku, ma rozwiązać odwieczny problem praktyków data science: który model prognostyczny wybrać dla konkretnego zbioru danych. Zamiast testować kolejne architektury, Granite Timeseries Ensemble łączy cztery komplementarne modele IBM Granite w jedną gotową do użycia receptę, bez konieczności douczania czegokolwiek.

Wstępnie wytrenowane modele szeregów czasowych potrafią prognozować bez trenowania na danych użytkownika, ale wciąż trzeba wybrać ten właściwy. Model dobrze radzący sobie z gładkimi sygnałami przemysłowymi może zawieść przy zaszumionym popycie detalicznym albo długim horyzoncie sezonowym – a najlepszy wybór zależy od konkretnej serii i zadania. Zespół IBM Research, w skład którego weszli m.in. Fearghal O'Donncha, Chandramouli Kamanchi, Wesley M. Gifford i Natalia Martinez Gil, zaproponował rozwiązanie w postaci jednego rozsądnego domyślnego ustawienia.

Kluczowe wnioski

• Granite Timeseries Ensemble łączy cztery otwarte modele IBM Granite o różnych architekturach i zwraca prognozy mediany oraz kwantyli bez retrenowania i bez dopasowywanych wag zespołu.
• Dostępne są dwie metody łączenia prognoz: Probabilistic Ensemble (domyślna, równe wagi) oraz adaptacyjny IQR Ensemble (wagi zależne od rozrzutu prognoz).
• Recepta i jej domyślni członkowie są udostępnieni na permisywnej licencji, a instalacja wymaga pakietu granite-tsfm w wersji 0.3.11 lub nowszej.
• Przy pierwszym uruchomieniu pobierane są cztery osobne checkpointy modeli, co wymaga dodatkowego czasu.
• Domyślnie zwracane są kwantyle w zakresie od 0,1 do 0,9, co pozwala wyznaczyć przedział prognozy o nominalnym pokryciu 80%.

Cztery modele w jednym zespole

Idea łączenia prognoz jest dobrze znana z meteorologii – systemy takie jak North American Multi-Model Ensemble od lat łączą różne modele w prognozowaniu sezonowym. W prognozowaniu szeregów czasowych działa to podobnie: komplementarne modele oferują różne spojrzenia na to, co wydarzy się dalej, a zespół łączy te spojrzenia w jedną prognozę.

Domyślna recepta IBM łączy cztery wstępnie wytrenowane modele Granite o różnych architekturach:

• Granite PatchTST-FM-r1 – transformer działający na fragmentach (patched transformer).
• Granite PatchTST-FM-r2 – patched conformer.
• Granite FlowState-r1.1 – model przestrzeni stanów (state-space model).
• Granite TTM-r3 – Tiny Time Mixers, oparty na architekturze MLP mixer.

Te architektury inaczej uchwytują trendy, sezonowość i lokalną zmienność danych, więc ich błędy nie muszą się pokrywać. Jak przypomina przywoływany w materiale 50-letni przegląd metod łączenia prognoz, kombinowanie prognoz może zmniejszać ryzyko wyboru błędnego pojedynczego modelu – pod warunkiem że członkowie zespołu są dobrej jakości i wystarczająco zróżnicowani.

Dwa sposoby łączenia prognoz

Każdy z czterech modeli zwraca prognozy kwantylowe. Dwie główne recepty stosują różne reguły przekształcania tych prognoz w jeden rozkład predykcyjny i jego medianę.

Probabilistic Ensemble to zalecany wariant domyślny. Daje każdemu modelowi równy wpływ, łączy ich prognozy kwantylowe w przestrzeni prawdopodobieństwa i wyodrębnia żądane kwantyle z połączonych wartości. Ponieważ wagi są stałe, nie ma etapu dopasowywania ani hiperparametrów wagowych do strojenia dla nowej serii danych. Jak zauważa przywoływana w materiale praca „The forecast combination puzzle”, w prognozowaniu punktowym proste kombinacje o równych wagach często sprawdzały się lepiej niż metody z szacowanymi wagami – ta recepta stosuje tę samą logikę równego wpływu do prognoz probabilistycznych. To właśnie ten wariant jest domyślnie ładowany w przykładowym kodzie.

IQR Ensemble to adaptacyjna alternatywa. Waży modele według rozpiętości ich prognoz, dając większy wpływ węższym przedziałom. Przybliża rozstęp międzykwartylowy (interquartile range) każdego modelu na podstawie najbliższych dostępnych kwantyli wokół 25. i 75. percentyla. Wagi zmieniają się w zależności od próbki, celu i kroku horyzontu, a – podobnie jak w Probabilistic Ensemble – nic nie jest dopasowywane na podstawie historycznych błędów prognoz. Regresja izotoniczna zapobiega przecinaniu się połączonych kwantyli. Autorzy zastrzegają, że węższy przedział niekoniecznie oznacza dokładniejszą lub lepiej skalibrowaną prognozę – wagi IQR mogą faworyzować model nadmiernie pewny siebie. Dla eksperymentujących recepta udostępnia ustawienie temperatury (wyższe wartości przesuwają wagi w stronę równomiernych) oraz opcjonalny limit maksymalnej wagi pojedynczego modelu.

Jak zacząć pracę z narzędziem

Instalacja i uruchomienie wymagają zaledwie kilku linii kodu. Po zainstalowaniu pakietu granite-tsfm w wersji co najmniej 0.3.11, wystarczy załadować klasę QuantileEnsembleForecaster z modułu tsfm_public.models.ensemble.modeling_ensemble i wywołać ją na danych z kolumną czasu oraz kolumną celu. W przykładzie z dokumentacji wykorzystano publiczny zbiór danych ETTh1 (dane transformatorów energetycznych), dla którego model generuje prognozę na 24 kroki w przód z kontekstem 1024 obserwacji.

Wynik działania zawiera dwa elementy: result.prediction_outputs z prognozą punktową (medianą) oraz result.quantile_outputs z prognozami kwantylowymi, domyślnie w zakresie od 0,1 do 0,9. Aplikacje mogą wykorzystać wartość punktową jako prognozę centralną, a wybrane kwantyle do wyrażenia przedziałów niepewności – przykładowo kwantyle 0,1 i 0,9 wyznaczają przedział o nominalnym pokryciu 80%.

Warto podkreślić, że recepta przechowuje konfigurację zespołu, a nie scalone wagi modeli – przy pierwszym uruchomieniu pobierane są cztery osobne checkpointy, co wymaga dodatkowego czasu. Wariant IQR można załadować, zmieniając jedynie parametr subfolder na "recipes/granite-iqr" w tym samym wywołaniu from_pretrained.

Granite Timeseries Ensemble pokazuje, że w prognozowaniu szeregów czasowych – podobnie jak w prognozach pogody – łączenie kilku komplementarnych modeli może być prostszym i bardziej niezawodnym podejściem niż ręczny wybór jednej architektury. Dzięki permisywnej licencji i gotowej integracji z Hugging Face, narzędzie to może stać się praktycznym punktem wyjścia dla zespołów pracujących z danymi szeregów czasowych w przemyśle, energetyce czy handlu.