不只是点预测Granite-TimeSeries-FlowState-R1-NPU分位数预测入门指南【免费下载链接】granite-timeseries-flowstate-r1-npu项目地址: https://ai.gitcode.com/atlasleong/granite-timeseries-flowstate-r1-npu传统时间序列预测通常只输出一个点预测数值但真实世界的未来充满不确定性——库存该备多少、电力负荷该预留多少、流量峰值会落在哪里这些决策都需要知道可能的范围而不只是一个平均值。分位数预测正是为此而生它输出未来多个概率分位点让你知道预测值以多大的置信度落在某个区间。Granite-TimeSeries-FlowState-R1-NPU 就是一款开箱即用的零样本时序基础模型它在昇腾 NPU 上一次前向同时给出点预测与 9 个分位数0.1~0.9是入门分位数预测的理想实践项目。分位数预测和点预测到底有什么区别点预测输出的是序列未来的期望值而分位数预测输出的是多个概率分位点。两者最大的差异在于分位数预测把不确定性量化了出来。对比维度点预测分位数预测输出内容一个期望值9 个分位点0.1~0.9表达能力无法表达不确定性可构造预测区间典型场景趋势预估、均值统计库存管理、容量规划、风险控制决策价值告诉你会是多少告诉你有多少概率落在哪个区间比如用 0.1 和 0.9 两个分位数就能构造出 80% 置信区间——这是点预测永远给不了的信息。这也是本项目名中不只是点预测的含义所在。零样本时序基础模型FlowState 是什么Granite-TimeSeries-FlowState-R1 是 IBM Research 开源的 FlowState 时序基础模型r1.0也是首个时间尺度可调time-scale adjustable的时序基础模型。它由 S5 状态空间模型SSM编码器与 Legendre 函数基解码器组成能把观测序列映射到尺度不变的系数空间再做连续预测从而在不重新训练的情况下适配不同采样率的数据。参数量仅约 906 万解码器只占 13%堪称小而强 无需微调即可做零样本单变量预测输入(batch, 2048, 1)的上下文窗口输出未来 96 步模型结构与训练细节可参考model/README.md权重配置见model/config.json。一次前向如何拿到 9 个分位数输出这是本项目最值得关注的地方inference.py只做一次前向就能同时拿到两类输出prediction_outputs点预测形状(batch, 96, 1)quantile_outputs分位数预测形状(batch, 9, 96, 1)对应[0.1, 0.2, ..., 0.9]九个分位点也就是说同一个模型、同一组权重、同一时刻点预测与分位数预测是协同输出的。0.5 分位数中位数是最稳健的中心估计而 0.1 与 0.9 的差值则刻画了预测的不确定性宽度。下面是模型在昇腾 NPU 上的真实推理验收结果截图可以看到输入序列、点预测输出以及设备信息一目了然昇腾 NPU 上运行分位数预测模型的快速上手步骤 ️本项目是一个自包含推理交付仓库模型快照、建模源码与推理入口全部收拢在delivery/内inference.py不依赖任何外部临时文件。运行环境为 openEuler CANN 8.5.1 torch_npu 2.9.0模型主前向固定跑在逻辑设备npu:0上禁止 CPU 回退。git clone https://gitcode.com/atlasleong/granite-timeseries-flowstate-r1-npu cd granite-timeseries-flowstate-r1-npu pip install --ignore-installed --no-deps -r requirements.txt python3 inference.py运行后你会看到类似这样的关键标记INPUT_DEVICEnpu:0 MODEL_DEVICEnpu:0 CPU_FALLBACKfalse FORECAST-0.204462,-0.173393,... FORECAST_SHAPE2,96,1 QUANTILE_OUTPUTS_SHAPE2,9,96,1 NPU_FORWARD_MS1629.774 EXIT_CODE0其中QUANTILE_OUTPUTS_SHAPE2,9,96,1就直观地告诉你9 个分位数的预测通道已经真实产出。NPU_FORWARD_MS约 1.63 秒的单次前向耗时含 warmup也说明这套方案在昇腾设备上性能相当稳定。下图展示了分位数预测模型在昇腾 NPU 上的设备调用状态8 卡 910B4 全部健康在线模型进程由 python3.11 承载从 Model Agent 到验收结果全流程真实可复现 ✅这套交付不是拍脑袋写出来的而是由 Model Agent 走完从模型导入、推理执行到结果验证的完整适配工作流全程真实运行、真实截图、禁止伪造。验证结果显示精度对比中最大绝对误差仅约2.4e-510 个独立子进程、共 1920 个输出元素离散一致率达到 10/10。分位数预测实践建议scale_factor 参数怎么选FlowState 最妙的地方在于时间尺度可调。针对不同采样率的数据推荐按如下scale_factor取值详见model/README.md采样率推荐 scale_factor15 分钟0.2530 分钟0.5小时级1.0日级有周周期3.43日级无周周期0.0656周级0.46月级2计算公式也很简单scale_factor 24 / N其中 N 是数据的季节周期长度。另外建议预测步数不要超过 30 个季节否则预测质量会明显下降。结语让预测从一个数变成一个区间 Granite-TimeSeries-FlowState-R1-NPU 用约 900 万参数、一次前向同时给出点预测和 9 个分位数把分位数预测的入门门槛降到了最低克隆仓库、装好依赖、一行命令就能在昇腾 NPU 上得到带不确定性的预测结果。无论你是做电力负荷预测、库存优化还是流量容量规划把点预测思维升级为分位数区间思维都会让你的决策多一层安全边际。从本项目开始体验不只是点预测的时序预测新方式吧【免费下载链接】granite-timeseries-flowstate-r1-npu项目地址: https://ai.gitcode.com/atlasleong/granite-timeseries-flowstate-r1-npu创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 不只是点预测：Granite-TimeSeries-FlowState-R1-NPU分位数预测入门指南
不只是点预测Granite-TimeSeries-FlowState-R1-NPU分位数预测入门指南【免费下载链接】granite-timeseries-flowstate-r1-npu项目地址: https://ai.gitcode.com/atlasleong/granite-timeseries-flowstate-r1-npu传统时间序列预测通常只输出一个点预测数值但真实世界的未来充满不确定性——库存该备多少、电力负荷该预留多少、流量峰值会落在哪里这些决策都需要知道可能的范围而不只是一个平均值。分位数预测正是为此而生它输出未来多个概率分位点让你知道预测值以多大的置信度落在某个区间。Granite-TimeSeries-FlowState-R1-NPU 就是一款开箱即用的零样本时序基础模型它在昇腾 NPU 上一次前向同时给出点预测与 9 个分位数0.1~0.9是入门分位数预测的理想实践项目。分位数预测和点预测到底有什么区别点预测输出的是序列未来的期望值而分位数预测输出的是多个概率分位点。两者最大的差异在于分位数预测把不确定性量化了出来。对比维度点预测分位数预测输出内容一个期望值9 个分位点0.1~0.9表达能力无法表达不确定性可构造预测区间典型场景趋势预估、均值统计库存管理、容量规划、风险控制决策价值告诉你会是多少告诉你有多少概率落在哪个区间比如用 0.1 和 0.9 两个分位数就能构造出 80% 置信区间——这是点预测永远给不了的信息。这也是本项目名中不只是点预测的含义所在。零样本时序基础模型FlowState 是什么Granite-TimeSeries-FlowState-R1 是 IBM Research 开源的 FlowState 时序基础模型r1.0也是首个时间尺度可调time-scale adjustable的时序基础模型。它由 S5 状态空间模型SSM编码器与 Legendre 函数基解码器组成能把观测序列映射到尺度不变的系数空间再做连续预测从而在不重新训练的情况下适配不同采样率的数据。参数量仅约 906 万解码器只占 13%堪称小而强 无需微调即可做零样本单变量预测输入(batch, 2048, 1)的上下文窗口输出未来 96 步模型结构与训练细节可参考model/README.md权重配置见model/config.json。一次前向如何拿到 9 个分位数输出这是本项目最值得关注的地方inference.py只做一次前向就能同时拿到两类输出prediction_outputs点预测形状(batch, 96, 1)quantile_outputs分位数预测形状(batch, 9, 96, 1)对应[0.1, 0.2, ..., 0.9]九个分位点也就是说同一个模型、同一组权重、同一时刻点预测与分位数预测是协同输出的。0.5 分位数中位数是最稳健的中心估计而 0.1 与 0.9 的差值则刻画了预测的不确定性宽度。下面是模型在昇腾 NPU 上的真实推理验收结果截图可以看到输入序列、点预测输出以及设备信息一目了然昇腾 NPU 上运行分位数预测模型的快速上手步骤 ️本项目是一个自包含推理交付仓库模型快照、建模源码与推理入口全部收拢在delivery/内inference.py不依赖任何外部临时文件。运行环境为 openEuler CANN 8.5.1 torch_npu 2.9.0模型主前向固定跑在逻辑设备npu:0上禁止 CPU 回退。git clone https://gitcode.com/atlasleong/granite-timeseries-flowstate-r1-npu cd granite-timeseries-flowstate-r1-npu pip install --ignore-installed --no-deps -r requirements.txt python3 inference.py运行后你会看到类似这样的关键标记INPUT_DEVICEnpu:0 MODEL_DEVICEnpu:0 CPU_FALLBACKfalse FORECAST-0.204462,-0.173393,... FORECAST_SHAPE2,96,1 QUANTILE_OUTPUTS_SHAPE2,9,96,1 NPU_FORWARD_MS1629.774 EXIT_CODE0其中QUANTILE_OUTPUTS_SHAPE2,9,96,1就直观地告诉你9 个分位数的预测通道已经真实产出。NPU_FORWARD_MS约 1.63 秒的单次前向耗时含 warmup也说明这套方案在昇腾设备上性能相当稳定。下图展示了分位数预测模型在昇腾 NPU 上的设备调用状态8 卡 910B4 全部健康在线模型进程由 python3.11 承载从 Model Agent 到验收结果全流程真实可复现 ✅这套交付不是拍脑袋写出来的而是由 Model Agent 走完从模型导入、推理执行到结果验证的完整适配工作流全程真实运行、真实截图、禁止伪造。验证结果显示精度对比中最大绝对误差仅约2.4e-510 个独立子进程、共 1920 个输出元素离散一致率达到 10/10。分位数预测实践建议scale_factor 参数怎么选FlowState 最妙的地方在于时间尺度可调。针对不同采样率的数据推荐按如下scale_factor取值详见model/README.md采样率推荐 scale_factor15 分钟0.2530 分钟0.5小时级1.0日级有周周期3.43日级无周周期0.0656周级0.46月级2计算公式也很简单scale_factor 24 / N其中 N 是数据的季节周期长度。另外建议预测步数不要超过 30 个季节否则预测质量会明显下降。结语让预测从一个数变成一个区间 Granite-TimeSeries-FlowState-R1-NPU 用约 900 万参数、一次前向同时给出点预测和 9 个分位数把分位数预测的入门门槛降到了最低克隆仓库、装好依赖、一行命令就能在昇腾 NPU 上得到带不确定性的预测结果。无论你是做电力负荷预测、库存优化还是流量容量规划把点预测思维升级为分位数区间思维都会让你的决策多一层安全边际。从本项目开始体验不只是点预测的时序预测新方式吧【免费下载链接】granite-timeseries-flowstate-r1-npu项目地址: https://ai.gitcode.com/atlasleong/granite-timeseries-flowstate-r1-npu创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考