IBM发布新时间序列模型覆盖全企业预测任务

时间序列数据有多种形式和潜在应用场景这意味着没有单一的预测方法能够在所有情况下都表现最佳。如果你要预测明天的最高和最低温度或者一家公司是否能达到下周的销售目标点预测是个不错的选择。但如果你要决定何时补充产品库存或评估公司的风险敞口概率预测可能更有用。其他时候你可能需要在实时数据流中检测异常以防止网络中断或机器故障这时速度至关重要。IBM研究院构建了一系列在各种场景下表现出色的时间序列基础模型。这些模型于本周发布目前在Hugging Face的GIFT-Eval排行榜上名列前茅FlowState-r1.1用于点预测在零样本、可复现、无数据泄漏的模型中PatchTST-FM-r1用于概率预测在可复现、非智能体、无数据泄漏的模型中以及TTM-r3和TSPulse-r1用于高效预测、异常检测、分类和搜索支持每秒数千次推理。这些模型基于不同的架构构建各有自己的优势。本文将详细介绍这些新功能、每个模型最适合的任务类型以及如何访问和使用它们。PatchTST-FM-r1模型特性我们最新的基于Transformer的模型PatchTST-FM-r1与伦斯勒理工学院联合开发基于我们开创性的PatchTST架构演进而来该架构引入了通道独立性和分块技术实现更准确、更高效的预测。PatchTST-FM-r1模型在预测任务中表现出色。它支持128到8,192个时间点的上下文长度能够在短期和长期时间范围内进行预测并且对缺失值具有鲁棒性。其目前的GIFT-Eval排名证明在由真实和合成数据组成的大规模数据集上训练时Transformer架构可以灵活、富有表现力且具有高精度性能。TTM-r3高效性能TTM-r3是我们TinyTimeMixer模型的第三代版本旨在平衡速度和准确性。该版本引入了多项创新提高了预测精度推理速度比当前最先进的模型快15到50倍。TTM-r3在仅CPU环境中也能出色运行使其非常适合真实世界的高吞吐量部署。TTM-r3支持快速微调、多变量预测甚至可以整合控制变量在复杂的工业场景中提升性能。我们的TTM模型极受欢迎在Hugging Face上的下载量已超过3700万次。FlowState-r1.1创新架构FlowState-r1.1是我们FlowState模型的最新版本基于名为S5的新颖状态空间架构构建能够处理短期和长期输入以及预测时间范围还支持不同的采样率。通过结合状态空间模型编码器和函数基础解码器FlowState-r1.1具有协调不同采样率数据以产生准确长期预测的罕见能力。这个新版本整合了额外的合成训练数据并增加了上下文长度以进一步提升性能。模型应用场景所有三个模型版本都扩展了IBM的时间序列模型产品组合并与TSPulse互补。TSPulse是我们在异常检测、搜索、分类和插值任务中表现出色的紧凑型预训练模型系列。这些模型共同覆盖了广泛的真实企业需求。应用场景包括工业制造和监控以及检测IT事件和电网中断。这些模型总共在超过1000亿个来自公共领域或人工生成的数据点上进行了训练。根据应用场景每个模型都有其关键优势。对于CPU机器上的高吞吐量和低延迟需求可以尝试TTM-r3。对于准确的点预测和概率预测可以分别尝试FlowState-r1.1和PatchTST-FM-r1。对于时间序列异常检测、分类和其他非预测任务可以尝试TSPulse。技术发展历程自2021年发布TST以来IBM一直引领着时间序列基础模型的研究和开发TST是最早应用于时间序列数据的基于Transformer的模型之一。2023年PatchTST为时间序列数据引入了分块和通道独立性概念使Transformer能够高效处理长时间序列。同年TSMixer通过使用多层感知机MLP结合分块和跨通道信息在提高速度和效率方面开辟了道路。在混合器的基础上2024年发布的Tiny Time MixerTTM引入了首批跨多个领域任务的轻量级时间序列模型。2025年基于状态空间模型SSM这种高效的循环神经网络类型我们推出了FlowState时间序列模型。其创新包括并行训练、函数基础解码和采样率不变性。TTM和FlowState的早期版本在2024年和2025年的GIFT-Eval预测排行榜上表现优异。今年我们通过发布PatchTST-FM-r1、TTM-r3和FlowState-r1.1完善了产品组合这些模型再次在GIFT-Eval预测排行榜上名列前茅。它们与专门从事异常检测和分类的TSPulse相辅相成共同覆盖了广泛的真实使用场景。模型获取方式我们所有的模型都是开放权重的可以在Hugging Face上下载。研究版本在非商业许可下提供而我们的Granite时间序列模型系列在精选数据集上训练在宽松的Apache 2.0许可下提供。为了帮助用户开始使用IBM的时间序列模型我们提供了多个笔记本。这些笔记本突出展示了每个模型的功能和最佳用例基于我们开源存储库的模型架构和支持代码构建涵盖FlowState、TTM、PatchTST-FM以及TSPulse异常检测和分类等内容。QAQ1IBM发布的时间序列模型有哪些各自适用什么场景AIBM发布了四个主要模型FlowState-r1.1适用于点预测PatchTST-FM-r1适用于概率预测TTM-r3适用于高吞吐量和低延迟的CPU环境TSPulse适用于异常检测、分类和搜索任务。这些模型共同覆盖了工业制造监控、IT事件检测、电网中断预警等企业级应用场景。Q2TTM-r3相比其他模型有什么优势ATTM-r3是第三代TinyTimeMixer模型主要优势是速度快推理速度比当前最先进模型快15到50倍在仅CPU环境中也能出色运行非常适合高吞吐量部署。它支持快速微调、多变量预测还可以整合控制变量在复杂工业场景中表现优异在Hugging Face上下载量已超过3700万次。Q3如何获取和使用IBM的时间序列模型A所有模型都在Hugging Face平台开放下载研究版本采用非商业许可Granite系列采用Apache 2.0许可。IBM提供了多个使用笔记本包括FlowState、TTM、PatchTST-FM和TSPulse的使用指南这些笔记本基于开源存储库构建详细展示了每个模型的功能和最佳用例。