Chronos-2: Von univariater zu universeller Vorhersage

Chronos-2: From Univariate to Universal Forecasting

October 17, 2025

papers.authors: Abdul Fatir Ansari, Oleksandr Shchur, Jaris Küken, Andreas Auer, Boran Han, Pedro Mercado, Syama Sundar Rangapuram, Huibin Shen, Lorenzo Stella, Xiyuan Zhang, Mononito Goswami, Shubham Kapoor, Danielle C. Maddix, Pablo Guerron, Tony Hu, Junming Yin, Nick Erickson, Prateek Mutalik Desai, Hao Wang, Huzefa Rangwala, George Karypis, Yuyang Wang, Michael Bohlke-Schneider

cs.AI

papers.abstract

Vortrainierte Zeitreihenmodelle haben Inferenz-basierte Prognosesysteme ermöglicht, die präzise Vorhersagen ohne aufgabenspezifisches Training liefern. Bisher konzentrieren sich bestehende Ansätze jedoch weitgehend auf univariate Prognosen, was ihre Anwendbarkeit in realen Szenarien einschränkt, in denen multivariate Daten und Kovariaten eine entscheidende Rolle spielen. Wir präsentieren Chronos-2, ein vortrainiertes Modell, das in der Lage ist, univariate, multivariate und kovariatenbasierte Prognoseaufgaben in einem Zero-Shot-Ansatz zu bewältigen. Chronos-2 verwendet einen Gruppen-Attentionsmechanismus, der In-Context-Learning (ICL) durch effizienten Informationsaustausch über mehrere Zeitreihen innerhalb einer Gruppe ermöglicht. Diese Gruppe kann verwandte Reihen, Variablen einer multivariaten Reihe oder Zielgrößen und Kovariaten in einer Prognoseaufgabe repräsentieren. Diese allgemeinen Fähigkeiten werden durch das Training auf synthetischen Datensätzen erreicht, die diverse multivariate Strukturen auf univariate Reihen abbilden. Chronos-2 erzielt state-of-the-art Leistungen in drei umfassenden Benchmarks: fev-bench, GIFT-Eval und Chronos Benchmark II. Auf fev-bench, das den Schwerpunkt auf multivariate und kovariatenbasierte Prognosen legt, führen die universellen ICL-Fähigkeiten von Chronos-2 zu erheblichen Verbesserungen gegenüber bestehenden Modellen. Bei Aufgaben mit Kovariaten übertrifft es die Baselines durchgehend mit großem Abstand. Fallstudien in den Bereichen Energie und Einzelhandel unterstreichen zudem seine praktischen Vorteile. Die In-Context-Learning-Fähigkeiten von Chronos-2 etablieren es als ein allgemeines Prognosemodell, das „as is“ in realen Prognosepipelines eingesetzt werden kann.

English

Pretrained time series models have enabled inference-only forecasting systems that produce accurate predictions without task-specific training. However, existing approaches largely focus on univariate forecasting, limiting their applicability in real-world scenarios where multivariate data and covariates play a crucial role. We present Chronos-2, a pretrained model capable of handling univariate, multivariate, and covariate-informed forecasting tasks in a zero-shot manner. Chronos-2 employs a group attention mechanism that facilitates in-context learning (ICL) through efficient information sharing across multiple time series within a group, which may represent sets of related series, variates of a multivariate series, or targets and covariates in a forecasting task. These general capabilities are achieved through training on synthetic datasets that impose diverse multivariate structures on univariate series. Chronos-2 delivers state-of-the-art performance across three comprehensive benchmarks: fev-bench, GIFT-Eval, and Chronos Benchmark II. On fev-bench, which emphasizes multivariate and covariate-informed forecasting, Chronos-2's universal ICL capabilities lead to substantial improvements over existing models. On tasks involving covariates, it consistently outperforms baselines by a wide margin. Case studies in the energy and retail domains further highlight its practical advantages. The in-context learning capabilities of Chronos-2 establish it as a general-purpose forecasting model that can be used "as is" in real-world forecasting pipelines.