التنبؤ الجماعي بنماذج IBM Granite للسلاسل الزمنية

أربعة نماذج Granite مفتوحة، وواجهة تنبؤ قابلة للتوسيع، وتخمين أقل بشأن النموذج الذي ينبغي استخدامه.

يمكن للنماذج المدربة مسبقًا للسلاسل الزمنية أن تتنبأ دون تدريب على مجموعة بياناتك، لكن لا يزال عليك اختيار نموذج. فالنموذج الذي يتعامل جيدًا مع الإشارات الصناعية السلسة قد يواجه صعوبة مع الطلب التجزئي المشوّش أو أفق موسمي طويل، ويعتمد الخيار الأفضل على السلسلة والمهمة.

يحوّل Granite Timeseries Ensemble ذلك الاختيار إلى قيمة افتراضية معقولة. فوصفة واحدة تجمع بين أربع بنيات Granite متكاملة وتعيد تنبؤات وسيطة وتنبؤات كمّية، دون أي إعادة تدريب ودون أوزان جماعية مُلائمة. ابدأ بالـ Probabilistic Ensemble (تجميع الاحتمالات المنتظم)، وقارنه بالـ Inter Quartile Range (IQR) Ensemble التكيفي، ثم وسّع الواجهة نفسها بأدوات تنبؤ متوافقة. الوصفة الجماعية وأعضاؤها الافتراضيون من نماذج Granite مرخّصة بتراخيص متساهلة.

ستكون الفكرة مألوفة من التنبؤ بالطقس. التنبؤات الجماعية تستكشف نطاقًا من النتائج المحتملة، وأنظمة مثل North American Multi-Model Ensemble تجمع نماذج مختلفة للتنبؤ الموسمي. ويستفيد التنبؤ بالسلاسل الزمنية بطريقة مشابهة: فالنماذج المتكاملة تقدم وجهات نظر مختلفة عما سيأتي بعد ذلك، ويدمج النموذج الجماعي تلك الآراء في تنبؤ واحد.

تجربة Granite Timeseries Ensemble

قم بتثبيت Granite TSFM وتحميل وصفة النماذج الأربعة الموصى بها مباشرة من Hugging Face:

pip install "granite-tsfm>=0.3.11"

import pandas as pd

from tsfm_public.models.ensemble.modeling_ensemble import QuantileEnsembleForecaster

df = pd.read_csv(
    "https://raw.githubusercontent.com/zhouhaoyi/ETDataset/main/ETT-small/ETTh1.csv",
    parse_dates=["date"],
)

ensemble = QuantileEnsembleForecaster.from_pretrained(
    "ibm-granite/granite-timeseries-ensemble-r1",
)

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

print(result.prediction_outputs) # point forecast
print(result.quantile_outputs)   # quantiles

تخزن الوصفة إعداد النموذج الجماعي وليس أوزان النموذج المدمجة. فهي تنزّل نقاط تفتيش الأعضاء الأربعة وقت التشغيل، لذا اسمح بوقت إضافي لأول تشغيل. للحصول على الإعداد الكامل ونقاط تفتيش الأعضاء وتفاصيل التقييم والقيود، انظر بطاقة النموذج.

result.prediction_outputs تحتوي على التنبؤ النقطي، بينما result.quantile_outputs تحتوي على التنبؤات الكمّية التي تمتد افتراضيًا من 0.1 إلى 0.9. ويمكن للتطبيقات استخدام القيمة النقطية كتنبؤ مركزي وكمّيات مختارة للتعبير عن نطاقات التنبؤ. على سبيل المثال، يحدد الكمّيان 0.1 و0.9 فاصل تنبؤ مركزي بتغطية اسمية تبلغ 80%.

أعضاء النموذج الجماعي

تجمع الوصفة الافتراضية أربعة نماذج Granite مدربة مسبقًا ببنيات مختلفة:

لمزيد من الخلفية، انظر ورقة PatchTST-FM-r1, نظرة عامة على بنية PatchTST-FM-r2, ورقة FlowStateو، و ورقة Tiny Time Mixers.

تلتقط هذه البُنى الاتجاهات والموسمية والتنوع المحلي بطرق مختلفة، لذا لا يلزم أن تتطابق أخطاؤها. مراجعة شاملة مدتها 50 عامًا لتجميع التوقعات تصف كيف يمكن لتجميع التوقعات أن يقلل من خطر اختيار نموذج واحد خاطئ، مع التأكيد على أن جودة أعضاء المجموعة وتنوعها يظلان مهمين.

طريقتان لتجميع التوقعات

يعيد كل عضو توقعات فئوية (quantile). تستخدم الوصفتان الرئيسيتان قواعد مختلفة لتحويل تلك التوقعات إلى توزيع تنبؤي واحد ووسيطه.

المجموعة الاحتمالية: الخيار الافتراضي الموصى به

تمنح المجموعة الاحتمالية (تجميع الاحتمالات الموحد) كل عضو تأثيرًا متساويًا، وتجمّع توقعاته الفئوية في فضاء الاحتمالات، وتستخرج الفئات المطلوبة من القيم المجمعة. ولأن الأوزان ثابتة، لا توجد خطوة تركيب ولا معاملات وزن فائقة تحتاج إلى ضبطها لسلسلة جديدة.

إن لغز تجميع التوقعات يقدم دافعًا مفيدًا: في التنبؤ النقطي، غالبًا ما صمدت التوليفات ذات الأوزان المتساوية البسيطة بشكل جيد أمام الطرق ذات الأوزان المقدَّرة. تطبّق هذه الوصفة نفس فكرة التأثير المتساوي على التوقعات الاحتمالية. وهي الخيار الافتراضي المحمَّل في المثال أعلاه.

مجموعة IQR: بديل تكيّفي

تُوازن مجموعة IQR أوزان الأعضاء وفقًا لمدى توقعاتهم، مما يمنح الفترات الأضيق تأثيرًا أكبر. تقوم بتقريب المدى الربيعي لكل عضو من أقرب الكميات المتاحة حول المئينين 25 و75. وتتغير الأوزان حسب العينة والهدف وخطوة الأفق، وكما في المجموعة الاحتمالية، لا يُملاء أي شيء من أخطاء التوقعات التاريخية. تحافظ الانحدار الإيزوتوني على عدم تقاطع الكميات المجمعة.

الفترة الأضيق لا تعني بالضرورة توقعًا أكثر دقة أو أفضل معايرة، ويمكن لتوازين IQR أن تُفضّل عضوًا مفرط الثقة. إذا أردت التجربة، تعرّف الوصفة إعدادًا لدرجة الحرارة (القيم الأعلى تُقرّب الأوزان من التساوي) وسقفًا اختياريًا لوزن أي عضو منفرد.

حمّل وصفة IQR المقيَّمة بتغيير المجلد الفرعي فقط:

ensemble = QuantileEnsembleForecaster.from_pretrained(
    "ibm-granite/granite-timeseries-ensemble-r1",
    subfolder="recipes/granite-iqr",
)

أي طريقة ينبغي أن أستخدم؟

ابدأ بالمجموعة الاحتمالية. إذا بدا مدى التوقعات ذا معلومات مفيدة لتطبيقك، قارن مجموعة IQR بها على بيانات تمثيلية، إذ إن الدقة والمعايرة تعتمدان على السلسلة والأفق.

هل تحسّن المجموعة على أعضائها؟

قيّمنا كلتا الوصفتين على 97 تكوينًا من مجموعات بيانات GIFT-Eval. تتوقع النماذج دون ضبط دقيق، ولم تُستخدم أهداف الاختبار لاختيار طريقة التجميع أو ملاءمتها. هنا نقارن نتائج تقديم المجموعة الرسمية بالنماذج المكوّنة الأربعة، مستخدمين الدرجات والمراتب المنشورة في لوحة الصدارة كما رُصدت في 20 أكتوبر 2026.

يُبلِّغ GIFT-Eval عن MASE للتوقعات النقطية وعن CRPS/MWQL (مقياس المعيار mean_weighted_sum_quantile_loss ) للتوقعات الاحتمالية. تُطبَّع الدرجات بالنسبة إلى Seasonal Naive وتُؤخذ متوسطاتها الهندسية عبر التكوينات. الأقل أفضل.

★ أفضل قيمة بين التوقعات المعروضة. الأقل أفضل.

تعتمد أعمدة الترتيب على متوسط الترتيبات لكل تكوين مقابل لوحة صدارة GIFT-Eval المرجعية الكاملة، وليس فقط هذه التوقعات الستة، لذا يمكن أن تتغير قيم الترتيب مع إضافة مقالات جديدة إلى لوحة الصدارة.

تفوق كلا التجميعين جميع الأعضاء الأربعة الفردية من حيث MASE الإجمالي ومتوسط MASE Rank. يحقق التجميع الاحتمالي (Probabilistic Ensemble) أدنى قيمة MASE بين هذه التوقعات الستة: 0.683 مقارنة بـ 0.685 لـ PatchTST-FM-r2. يشير انخفاض متوسط MASE Rank إلى أداء أقوى في التنبؤ النقطي النسبي عبر التكوينات المتنوعة لمجموعات البيانات في GIFT-Eval. مجتمعةً، تدعم هذه النتائج التجميع كنقطة انطلاق عملية، دون مطالبة المطورين باختيار أقوى بنية فردية مسبقًا. هامش MASE مقارنة بأفضل عضو منفرد صغير، لذا فإن الفائدة الرئيسية هي المتانة: تحصل على دقة إجمالية مماثلة أو أفضل دون معرفة مسبقة أي بنية ستكون مناسبة لبياناتك.

يحتفظ PatchTST-FM-r2 بأدنى درجة إجمالية لـ CRPS/MWQL. ويحقق IQR Ensemble أدنى متوسط لترتيب CRPS Rank بين هذه التوقعات الستة، بينما تتأخر المجموعة الاحتمالية (Probabilistic Ensemble) في الترتيب خلف PatchTST-FM-r2 وفق هذا المقياس. وبالتالي فإن الخطأ الإجمالي ومتوسط الترتيب يفضّلان خيارات مختلفة.

في مقارنة 20 أكتوبر 2026، تحتل المجموعة المرتبة 3 بين الأنظمة المؤهلة وفق MASE Rank وCRPS Rank. يوضح الشكل أدناه الوصفةين إلى جانب أفضل عشرة أنظمة مرجعية مؤهلة لكل مقياس. بعض الأنظمة، بما في ذلك الإدخالات المستبعدة لكونها مضبوطة بدقة (fine-tuned) أو مرخصة بتراخيص غير متساهلة، تحقق نتائج أفضل من أي من الوصفتين، لذا فإن قيمة المجموعة ليست أنها تتصدّر قائمة الترتيب، بل أن إعدادًا افتراضيًا واحدًا يقدّم نتائج قوية ومتسقة عبر سلاسل عديدة دون أن تضطر إلى اختيار أحد الأعضاء.

الشكل: ترتيب GIFT-Eval حسب متوسط الرتب في 20 أكتوبر 2026، موضحًا مجموعتي Granite إلى جانب أفضل عشرة أنظمة مرجعية مؤهلة لكل مقياس. الأنظمة المؤهلة هي التي تمتلك شيفرة إعادة إنتاج ولا يوجد تسرّب معلن لبيانات الاختبار؛ وتُستبعد الإدخالات المضبوطة بدقة والأنظمة ذات التراخيص غير المتساهلة المعروفة أو تبعيات الأعضاء. تؤخذ قيم الرتب مباشرة من لقطة لوحة الترتيب العامة المنشورة؛ والتصفية تغيّر الأنظمة المعروضة فقط، لا قيم رتبها.

وسّع الوصفة إلى نماذج تنبؤ أخرى

تستخدم الوصفة الافتراضية أربعة نماذج من Granite، ولكن الواجهة المشتركة Forecaster تقبل أيضًا نماذج خارجية متوافقة. يمكنك تغيير مزيج الأعضاء أو طريقة التجميع مع الحفاظ على نفس تنسيق التنبؤ اللاحق، دون دمج أو إعادة تدريب لنقاط حفظ الأعضاء. هذا يسهّل إدماج المجموعة في منظومة تنبؤ قائمة، ويجعل من السهل إضافة نماذج تنبؤ ملائمة لمجالك مع تطور احتياجاتك.

يتضمن المستودع أيضًا وصفات موسّعة تضيف نقاط حفظ من IBM Research. تخضع هذه لشروط ترخيص منفصلة، تشمل قيود الاستخدام غير التجاري والاستخدام البحثي، لذا راجع بطاقة نموذج كل عضو قبل استخدامه.

أيًا كانت التركيبة الجديدة، تحقّق من توافق التنبؤات والدقة والمعايرة وزمن الاستجابة والترخيص.

قيّم الوصفة لتطبيقك

GIFT-Eval معيار مرجعي واسع، ولكن المكاسب الإجمالية لا تعني أن كل سلسلة تستفيد، ومتوسطات الرتب لا تثبت المعايرة. طريقة معرفة سلوك الوصفات مع تطبيقك هي اختبارها رجعيًا على بيانات ممثِّلة:

• طابق حالة الاستخدام الخاصة بك. استخدم نوافذ تنبؤ تاريخية تعكس البيانات المتاحة عند كل نقطة بداية للتنبؤ، والأفق الذي تحتاجه، والسلاسل التي تتوقع خدمتها.
• قارن المماثل بالمماثل. شغّل المجموعة الاحتمالية (Probabilistic Ensemble) ومجموعة IQR (IQR Ensemble) وعضوًا فرديًا قويًا (مثل PatchTST-FM-r2) على نفس النوافذ.
• انظر أبعد من خطأ القيمة النقطية. قيّم خسارة الكمّيات (quantile loss) إلى جانب MASE، وتحقق من التغطية التجريبية للفترة من 0.1 إلى 0.9 مقارنة بقيمتها الاسمية البالغة 80%.
• قِس التكلفة. سجّل زمن التشغيل واستهلاك الذاكرة للحكم على ما إذا كانت فائدة دمج أربعة نماذج تبرر ذلك لأعباء عملك.

ضع في اعتبارك قيدين. الوصفة الحالية تتنبأ بقنوات متعددة المتغيرات بشكل مستقل، دون استخدام المعلومات عبر القنوات، وهي تحمّل أربع نقاط حفظ للأعضاء، مما يزيد زمن الاستدلال والذاكرة مقارنة بعضو واحد. كما تختلف حدود سياق الأعضاء والآفاق والمعالجة المسبقة والتعامل مع القيم المفقودة، ولا تضمن أي من طريقتي التجميع المعايرة أو المتانة تحت انزياح التوزيع، لذا استمر في مراقبة التنبؤات بعد النشر.

جرّبها على بياناتك

نقطة البداية الموصى بها هي الوصفة الافتراضية ذات النماذج الأربعة:

• مجموعة Granite Timeseries Ensemble على Hugging Face
• دفتر البدء (Getting-started notebook)
• مستودع Granite TSFM
• معيار GIFT-Eval

حمّل الوصفة الافتراضية للحصول على تنبؤات الوسيط والكمّيات من البنى الأربعة لـ Granite في استدعاء واحد، وكيّف الوصفة مع تطور احتياجاتك.

المراجع

• ECMWF: التنبؤ الجوي بالمجموعات

• NOAA: المجموعة متعددة النماذج لأمريكا الشمالية

• FlowState: التنبؤ بالسلاسل الزمنية المتكافئ مع معدل العينات

• Tiny Time Mixers (TTMs): نماذج مسبقة التدريب سريعة للتنبؤ المحسّن بصفر/قليل الأمثلة للسلاسل الزمنية متعددة المتغيرات

• إعادة النظر في المُحوّل العام: تفكيك خط أساس قوي لنماذج الأساس للسلاسل الزمنية

• تركيبات التنبؤات: مراجعة تمتد لأكثر من 50 عامًا

• سميث وواليس (2009)، تفسير بسيط لمُعضلة تركيب التنبؤات