IBM Granite zaman serisi modelleriyle toplu tahmin (Ensemble) sunuldu

IBM Research, önceden eğitilmiş dört Granite zaman serisi modelini tek bir arayüzde birleştiren Granite Timeseries Ensemble (R1) adlı yeni bir toplu tahmin çözümünü Hugging Face üzerinden yayınladı. Kullanıcılar, sadece bir pip komutu ile "granite-tsfm" paketini kurup, "QuantileEnsembleForecaster" sınıfını çağırarak 1024 zaman adımı geçmişi ve 24 adım öngörüsü için hem nokta tahmini hem de 0.1‑0.9 arası kuantil tahminlerini elde edebiliyor. Ensemble, model ağırlıklarını sabit tutan Probabilistic Ensemble (eşit ağırlık) ve tahmin aralığının daralmasına göre ağırlık veren IQR Ensemble olmak üzere iki ana tarif sunuyor.

Bu dört model – PatchTST‑FM‑r1, PatchTST‑FM‑r2, FlowState‑r1.1 ve Tiny Time Mixers (TTM‑r3) – farklı mimarilerle trend, mevsimsellik ve yerel varyasyonları yakalıyor. Her biri ayrı ayrı kuantil tahminleri üretirken, Probabilistic Ensemble bu kuantilleri olasılık uzayında birleştirip ortalama ve istenen kuantilleri çıkarıyor. IQR Ensemble ise her tahminin inter‑quartile aralığını ölçerek dar aralıklı modelleri daha fazla etkili kılıyor; ağırlıklar örnek, hedef ve ufuk adımına göre değişiyor ve isotonic regression ile kuantil çakışması önleniyor.

GIFT‑Eval benchmark'ı üzerinde yapılan değerlendirmede, ensemble tarifleri hem nokta tahmininde (MASE) hem de olasılıksal tahminde (CRPS/MWQL) tek tek modellere göre üstün performans gösterdi. Probabilistic Ensemble, 0.683 MASE skoruyla en düşük nokta hatasını elde ederken, IQR Ensemble 0.471 CRPS/MWQL skoruyla en iyi ortalama CRPS sıralamasını yakaladı. Tek tek modeller arasında PatchTST‑FM‑r2 en düşük CRPS/MWQL (0.467) değerine sahipti, ancak MASE açısından ensemble hâlâ daha iyiydi. Sonuçlar, ensemble yaklaşımının farklı veri setlerinde tutarlı ve sağlam bir başlangıç noktası sunduğunu gösteriyor.

Ensemble'in bir diğer avantajı, model ağırlıklarını yeniden eğitmeye gerek kalmadan çalışma süresi ve bellek tüketimi açısından tek bir modelden daha yüksek olsa da, esnek bir entegrasyon imkanı sunmasıdır. Geliştiriciler, aynı arayüz üzerinden dış model ve yeni tarifler ekleyerek kendi veri alanlarına özgü kombinasyonlar oluşturabilir. Ancak, mevcut tarifin çok değişkenli kanalları bağımsız olarak tahmin ettiği, çapraz‑kanal bilgisi kullanmadığı ve dört modelin aynı anda yüklenmesinin inference süresini artırdığı gibi sınırlamaları da göz önünde bulundurulmalı.