Granite 时间序列 TTM-R2 (GGUF)

概述

本仓库托管了 Granite Time Series TinyTimeMixer (TTM-R2) 模型的轻量级、便携格式（GGUF、TorchScript、ONNX、MLX）。
原始的 IBM Granite 模型是一个紧凑的预测网络，旨在处理常见的时间序列模式：周期性、随机性、季节性和趋势性。

本仓库的目的是使该模型能够在消费级硬件上本地使用，例如 Apple Silicon 笔记本电脑。无需大型 GPU 或服务器，您可以直接在 MacBook 或类似设备上测试、基准测试和运行预测工作流程。

包含内容

• 提供的模型格式

  • FP16 GGUF
  • 量化 GGUF (q6_k)
  • TorchScript 导出
  • ONNX 导出
  • MLX（Apple Metal 加速格式）

• 使用示例

  • 对合成模式（周期性、季节性、趋势性）进行预测。
  • 使用提供的脚本进行快速评估。
  • 展示如何在格式之间转换的脚本。

• 为什么这很重要

  • 让您能够在最低硬件配置下运行最先进的时间序列预测。
  • 适用于金融、物联网或一般预测任务的研究、原型设计或实验。
  • 为扩展到更复杂的本地预测设置提供基础。

• 目标受众
  需要小型、快速预测模型且不依赖大型 GPU 集群的开发者和研究人员。

IBM Granite 时间序列模型

Granite 时间序列模型卡

模型详情

• 模型开发者：IBM Research
• 架构：Tiny Time Mixer (TTM)
• 输入/输出：多变量时间序列 → 未来值预测
• Granite TTM 变体：TTM-R1、TTM-R2（本仓库使用 R2）

模型描述

Granite 时间序列模型是专门为预测时间序列信号而构建的。它们旨在捕获广泛的时间模式，包括：

• 周期性模式
• 随机波动
• 季节性效应
• 长期趋势

TTM 模型轻量且高效，非常适合资源受限的环境和边缘设备。

预期用途

• 用于商业、工业或研究用途的时间序列预测。
• 在标准数据集上进行评估和基准测试。
• 对紧凑型时间序列架构进行学术探索。

局限性

• 专为具有典型预测范围的单一变量和多变量序列设计。
• 未针对极长序列或预测以外的任务进行优化。

训练

• 在合成数据集和真实世界数据集的混合上训练。
• 目标：在各种时间模式中最小化预测误差。

评估

Granite TTM 模型在常见预测任务上进行基准测试，并与经典基线和其他神经架构进行比较。在保持小 footprint 的同时，性能具有竞争力。

伦理考量

• 在预测具有现实世界后果的领域（如金融、医疗保健）中，请确保正确使用。
• 预测的误用可能导致错误的决策；需要人工监督。

引用

如果您在研究中使用 Granite 时间序列模型，请引用原始 IBM Research 论文和模型卡。

参见 https://huggingface.co/ibm-granite/granite-timeseries-ttm-r2

@inproceedings{ekambaram2024tinytimemixersttms,
      title={Tiny Time Mixers (TTMs): Fast Pre-trained Models for Enhanced Zero/Few-Shot Forecasting of Multivariate Time Series},
      author={Vijay Ekambaram and Arindam Jati and Pankaj Dayama and Sumanta Mukherjee and Nam H. Nguyen and Wesley M. Gifford and Chandra Reddy and Jayant Kalagnanam},
      booktitle={Advances in Neural Information Processing Systems (NeurIPS 2024)},
      year={2024},
}