Chronos-2: De la predicción univariada a la predicción universal

Resumen

Los modelos preentrenados de series temporales han permitido sistemas de pronóstico basados únicamente en inferencia que producen predicciones precisas sin entrenamiento específico para cada tarea. Sin embargo, los enfoques existentes se centran principalmente en pronósticos univariados, lo que limita su aplicabilidad en escenarios del mundo real donde los datos multivariados y las covariables desempeñan un papel crucial. Presentamos Chronos-2, un modelo preentrenado capaz de manejar tareas de pronóstico univariadas, multivariadas y basadas en covariables de manera zero-shot. Chronos-2 emplea un mecanismo de atención grupal que facilita el aprendizaje en contexto (ICL, por sus siglas en inglés) mediante el intercambio eficiente de información entre múltiples series temporales dentro de un grupo, que puede representar conjuntos de series relacionadas, variantes de una serie multivariada o objetivos y covariables en una tarea de pronóstico. Estas capacidades generales se logran mediante el entrenamiento en conjuntos de datos sintéticos que imponen estructuras multivariadas diversas en series univariadas. Chronos-2 ofrece un rendimiento de vanguardia en tres puntos de referencia exhaustivos: fev-bench, GIFT-Eval y Chronos Benchmark II. En fev-bench, que enfatiza el pronóstico multivariado y basado en covariables, las capacidades universales de ICL de Chronos-2 conducen a mejoras sustanciales sobre los modelos existentes. En tareas que involucran covariables, supera consistentemente a los modelos de referencia por un amplio margen. Estudios de caso en los sectores de energía y minoristas destacan aún más sus ventajas prácticas. Las capacidades de aprendizaje en contexto de Chronos-2 lo establecen como un modelo de pronóstico de propósito general que puede utilizarse "tal cual" en pipelines de pronóstico del mundo real.

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.

Chronos-2: De la predicción univariada a la predicción universal

Chronos-2: From Univariate to Universal Forecasting

Resumen

Support