IBM Granite 시간 시리즈 모델을 이용한 집합 예측

4개의 열린 그라나이트 모델, 하나의 확장 가능한 예측 인터페이스, 그리고 어떤 모델을 사용할지에 대한 추측이 줄어듭니다.

사전 학습은 일반적인 훈련과는 다른 사전 훈련 단계입니다. 이전 번역은 검증에 실패했습니다(translation_suspected_summary); 그 결함을 수정하세요. 사전 훈련된 시간 서열 모델은 데이터셋에 대한 훈련 없이 예측할 수 있지만, 여전히 모델을 선택해야 합니다. 매끄러운 산업 신호를 잘 처리하는 모델은 소음이 많은 소매점 수요나 긴 계절적 기간에 어려움을 겪을 수 있으며, 최선의 선택은 시리즈와 작업에 따라 달라집니다.

Granite Timeseries Ensemble은 그 선택을 합리적인 기본값으로 줄여줍니다. 한 가지 방법은 네 가지 상호보완적인 Granite 아키텍처를 결합하여 중앙값 및 분위수 예측을 제공하며, 재학습도 없고 적합한 ensemble 가중치도 없습니다. Probabilistic Ensemble(균일한 확률 집계)부터 시작하고, 적응형 Inter Quartile Range(IQR) Ensemble을 비교한 다음, 호환되는 예측기와 함께 동일한 인터페이스를 확장할 수 있습니다. 이 ensemble 방법과 그 기본적인 Granite 구성원들은 허용된 라이선스로 제공됩니다.

이 아이디어는 기상 예보에서 익숙할 것입니다. 엔서프트 예보는 다양한 가능한 결과를 탐구하며, 북미 다중 모델 엔서프트과 같은 시스템은 계절 예측을 위해 서로 다른 모델들을 결합합니다. 시간 시리즈 예보도 비슷한 방식으로 유용합니다: 보완적인 모델들은 다음에 일어날 일에 대한 다양한 관점을 제공하며, 엔서프트는 이러한 관점들을 하나의 예보로 통합합니다.

Granite Timeseries Ensemble을 시도해 보세요

Granite TSFM을 설치한 후, Hugging Face에서 추천되는 네 가지 모델 레시피를 직접 로드하세요:

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

레시피는 병합된 모델 가중치가 아닌 집합 구성을 저장합니다. 실행 중에 4개의 멤버 체크포인트를 다운로드하므로 첫 번째 실행 시에는 추가 시간이 필요합니다. 전체 구성, 멤버 체크포인트, 평가 세부 정보 및 제한 사항에 대해서는 모델 카드를 참조하십시오.

result.prediction_outputs은 단일 점 예측값을 포함하며, result.quantile_outputs는 기본적으로 0.1에서 0.9까지의 분위수 예측값을 포함합니다. 애플리케이션은 단일 값을 중심 예측으로 사용하고 선택된 분위수를 통해 예측 범위를 표현할 수 있습니다. 예를 들어, 0.1과 0.9의 분위수는 명목상 80%의 커버리지를 가진 중심 예측 구간을 정의합니다.

집단 구성원들

기본 레시피는 서로 다른 아키텍처를 가진 네 개의 사전 학습된 Granite 모델을 결합합니다.

배경 정보는 PatchTST-FM-r1 논문, PatchTST-FM-r2 아키텍처 개요, FlowState 논문, 그리고 Tiny Time Mixers 논문을 참조하십시오.

이러한 아키텍처는 추세, 계절성, 지역적 변화를 다양한 방식으로 포착하므로 그 오차가 일치하지 않아도 됩니다. 50년간의 예측 조합에 대한 검토은 예측을 결합함으로써 잘못된 단일 모델을 선택할 위험을 줄일 수 있지만, 구성 요소의 질과 다양성도 여전히 중요하다고 강조합니다.

예측값을 결합하는 두 가지 방법

각 회원은 분위수 예측값을 반환합니다. 두 가지 주요 방법은 이러한 예측값을 하나의 예측 분포와 그 중앙값으로 변환하는 데 서로 다른 규칙을 사용합니다.

확률적 집합: 권장 기본 설정

확률적 집합(균등한 확률 풀링)은 각 회원에게 동일한 영향력을 부여하고, 확률 공간에서 그들의 분위수 예측값을 모아서, 결합된 값으로부터 요청된 분위수를 추출합니다. 가중치가 고정되어 있기 때문에 피팅 단계도 없고, 새로운 시리즈에 맞게 가중치 하이퍼파라미터를 조정할 필요도 없습니다.

예측 조합 퍼즐 는 유용한 동기를 제공합니다: 점 예측에서 단순한 동일 가중치의 조합은 추정된 가중치가 있는 방법들에 비해 잘 작동하는 경우가 많습니다. 이 방법은 확률적 예측에도 같은 동일 영향 개념을 적용합니다. 이는 위 예제에서 기본적으로 사용되는 값입니다.

IQR Ensemble: 적응형 대안

IQR 엔서블은 각 멤버의 예측 분포에 따라 가중치를 부여하여 좁은 구간에 더 큰 영향력을 부여합니다. 이는 25퍼센트와 75퍼센트 구간 주변에 가장 가까운 가능한 양표를 기준으로 각 멤버의 사분위수 범위를 근사합니다. 가중치는 샘플, 목표, 호라이즌 단계에 따라 다르며, 확률적 엔서블과 마찬가지로 역사적 예측 오차로부터 아무것도 조정되지 않습니다. 등온 회귀는 결합된 양표가 교차하지 않도록 합니다.

더 좁은 구간이 반드시 더 정확하거나 더 잘 조정된 예측을 의미하는 것은 아닙니다. IQR 가중치는 과신하는 구성원에게 유리할 수 있습니다. 실험하고 싶다면, 온도 설정(높은 값은 가중치를 균일하게 만듭니다)과 각 구성원의 가중치에 대한 선택적 상한선을 제시합니다.

서브폴더만 변경하여 평가된 IQR 레시피를 로드하세요:

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

어떤 방법을 사용해야 할까요?

확률적 집합으로 시작하세요. 예측 분포가 귀하의 애플리케이션에 유용한 것으로 보인다면, 대표적인 데이터를 기반으로 IQR 집합과 비교해 보세요. 정확도와 캘리브레이션은 시리즈와 시야에 따라 달라집니다.

집단이 그 구성 요소들보다 더 나아지는가?

우리는 97 GIFT-Eval 데이터셋 구성에 대해 두 가지 레시피를 평가했습니다. 모델들은 미세 조정 없이 예측을 수행했으며, 테스트 목표는 집계 방법을 선택하거나 적합시키는 데 사용되지 않았습니다. 여기서는 공식 엔서펜스 결과와 4개의 구성 모델을 비교했으며, 2026년 10월 20일에 발표된 리더보드 점수와 순위를 활용했습니다.

GIFT-Eval은 점 예측에 대해 MASE를, 확률적 예측에 대해서는 CRPS/MWQL (벤치마크의 mean_weighted_sum_quantile_loss 지표)을 사용합니다. 점수는 계절적 나이브 모델로 정규화되고 구성별로 기하학적으로 평균됩니다. 낮은 값이 더 좋습니다.

★ 표시된 예보 중에서 가장 좋은 값입니다. 낮은 수치가 더 좋습니다.

각 구성에 대한 평균 순위를 전체 GIFT-Eval 참고 리더보드와 비교하는 열이며, 단지 이 여섯 가지 예측만이 아닙니다. 따라서 리더보드에 항목이 추가될 때순으로 순위 값이 변동할 수 있습니다.

두 집합 모두 모든 네 개의 개별 구성원보다 총 MASE와 평균 MASE 순위에서 더 우수합니다. 확률적 집합은 이 여섯 가지 예측 중 가장 낮은 MASE를 기록했습니다: PatchTST-FM-r2의 0.685에 비해 0.683입니다. 낮은 평균 MASE 순위는 GIFT-Eval의 다양한 데이터셋 구성을 통틀어 더 강력한 상대적 점예측 성능을 나타냅니다. 이러한 결과들을 종합해 보면, 개발자가 미리 가장 강력한 개별 아키텍처를 선택할 필요 없이 이 집단을 실용적인 출발점으로 삼을 수 있다. 최고의 단일 멤버에 비해 MASE의 격차는 작으므로, 주요 장점은 견고성이다. 즉, 어떤 아키텍처가 데이터에 적합할지 미리 알 필요 없이 비슷하거나 더 나은 총합 정확도를 얻을 수 있다.

PatchTST-FM-r2는 가장 낮은 총합 CRPS/MWQL 점수를 유지합니다. IQR Ensemble은 이 여섯 개의 예측 중 가장 낮은 평균 CRPS 순위를 기록하며, Probabilistic Ensemble은 그 지표에서 PatchTST-FM-r2보다 낮은 순위를 기록합니다. 따라서 총합 오차와 평균 순위는 다른 선택을 지지합니다.

2026년 10월 20일 비교 결과에 따르면, 이 집합 접근법은 MASE 순위와 CRPS 순위에서 자격을 갖는 시스템 중 3위를 차지했습니다. 아래 그림은 각 지표에 따라 10개의 최고 자격을 갖는 참조 시스템과 함께 두 가지 방법을 보여줍니다. fine-tune되거나 비허가적으로 라이선스가 부여된 항목으로 제외된 일부 시스템들은 어떤 방법보다도 더 높은 점수를 받았기 때문에, 집합의 가치가 선두 순위에 오른 것은 아닙니다. 이는 단일 기본 설정을 통해 여러 시리즈에서 강력하고 일관된 결과를 얻을 수 있으며, 특정 멤버를 선택할 필요가 없습니다.

그림: 2026년 10월 20일의 GIFT-Eval 평균 순위표로, Granite 집합과 각 지수에 따른 10개의 최고 자격을 갖는 참조 시스템이 함께 표시됩니다. 자격을 갖는 시스템은 복제 코드를 가지고 있으며 공개된 테스트 데이터 유출이 없습니다. 조정된 항목과 비허가 라이선스나 회원 간 의존성이 있는 시스템은 제외됩니다. 순위 값은 발표된 전체 순위표 스냅샷에서 직접 가져옵니다. 필터링은 어떤 시스템이 표시되는지를 결정하며, 순위 값은 아닙니다.

다른 예측자들에게 레시피를 확장하기

기본 레시피는 네 가지 Granite 모델을 사용하지만, 일반적인 Forecaster 인터페이스는 호환되는 외부 모델도 받아들입니다. 멤버의 구성이나 집계 방법을 변경할 수 있으며, 하위 예측 형식은 동일하게 유지되고 멤버 점검점의 병합이나 재학습이 일어나지 않습니다. 이로 인해ensemble을 기존 예측 스택에 통합하는 것이 쉬워지고, 필요에 따라 자신의 분야에 맞는 Forecaster를 추가할 수 있습니다.

저장소에는 IBM Research 체크포인트를 추가한 확장된 레시피도 포함되어 있습니다. 이 레시피들은 비상업적 및 연구용 사용에 대한 제한을 포함하는 별도의 라이선스 조건을 가지고 있으므로, 사용하기 전에 각 모델 카드를 검토해야 합니다.

새로운 조합의 경우, 예측 호환성, 정확도, 캘리브레이션, 지연 시간 및 라이선스를 확인해야 합니다.

귀하의 애플리케이션을 위한 레시피를 평가하세요

GIFT-Eval은 광범위한 벤치마크이지만, 총합된 이익이 모든 시리즈가 유익하다는 의미는 아니며, 평균 순위로는 교정이 확립되지 않는다. 자신의 애플리케이션에 대한 레시피의 성능을 알아내려면 대표적인 데이터를 바탕으로 백테스트하는 것이 필요하다.

• 사용 사례에 맞게 조정하세요. 각 예측 출처에서 가용한 데이터, 필요한 시야, 제공될 예상 시리즈를 반영하는 역사적 예측 창을 사용하세요.
• 비슷한 것끼리 비교하세요. Probabilistic Ensemble, IQR Ensemble, 그리고 PatchTST-FM-r2와 같은 강력한 개별 멤버를 동일한 윈도우에서 실행하세요.
• 점 오차를 넘어서 보세요. MASE와 함께 분위수 손실을 평가하고, 0.1에서 0.9 범위의 경험적 커버리지를 명목상 80%와 비교해 보세요.
• 비용을 측정하세요. 실행 시간과 메모리 사용량을 기록하여, 네 가지 모델을 결합하는 것이 귀하의 작업량에 적절한지 판단하세요.

두 가지 제한점을 염두에 두세요. 현재 레시피는 교차 채널 정보를 사용하지 않고 다변량 채널을 독립적으로 예측하며, 4개의 멤버 체크포인트를 로드합니다. 이로 인해 추론 시간과 메모리 사용량이 단일 멤버에 비해 증가합니다. 멤버 컨텍스트 제한, 호라이즌, 전처리, 누락된 값 처리도 각각 다르며, 두 가지 집계 방법 모두 분포 변화 상황에서의 교정성이나 견고성을 보장하지 않습니다. 따라서 배포 후에도 예측 결과를 지속적으로 모니터링해야 합니다.

자신의 데이터로 시도해 보세요

추천 시작점은 기본적인 4개 모델 레시피입니다:

• Hugging Face上的 Granite Timeseries Ensemble
• 시작하기 노트북
• Granite TSFM 저장소
• GIFT-Eval 벤치마크

네 가지 Granite 아키텍처에서 중간값 및 분위수 예측을 한 번에 얻기 위해 기본 레시피를 로드하고, 필요에 따라 레시피를 조정할 수 있습니다.

참고 문헌

• ECMWF: 엔서블 기상 예측

• NOAA: 북미 다중 모델 집합

• FlowState: 샘플링률 등가의 시간 시리즈 예측

• Tiny Time Mixers (TTM): 다차원 시간 시계열의 향상된 제로/소 샷 예측을 위한 빠른 사전 학습 모델

• 범용 트랜스포머의 재검토: 시간 시리즈 기반 모델을 위한 강력한 기준선 분석

• 예측 조합: 50년 이상의 검토

• Smith와 Wallis (2009), 예측 조합 퍼즐에 대한 간단한 설명