Chronos-2 : De la prévision univariée à la prévision universelle

papers.abstract

Les modèles de séries temporelles pré-entraînés ont permis le développement de systèmes de prévision en inférence seule, produisant des prédictions précises sans entraînement spécifique à une tâche. Cependant, les approches existantes se concentrent largement sur la prévision univariée, limitant ainsi leur applicabilité dans des scénarios réels où les données multivariées et les covariables jouent un rôle crucial. Nous présentons Chronos-2, un modèle pré-entraîné capable de gérer des tâches de prévision univariées, multivariées et informées par des covariables de manière zero-shot. Chronos-2 utilise un mécanisme d'attention de groupe qui facilite l'apprentissage en contexte (ICL) grâce au partage efficace d'informations entre plusieurs séries temporelles au sein d'un groupe, qui peut représenter des ensembles de séries connexes, des variantes d'une série multivariée, ou des cibles et des covariables dans une tâche de prévision. Ces capacités générales sont obtenues grâce à un entraînement sur des ensembles de données synthétiques qui imposent des structures multivariées variées à des séries univariées. Chronos-2 offre des performances de pointe sur trois benchmarks complets : fev-bench, GIFT-Eval et Chronos Benchmark II. Sur fev-bench, qui met l'accent sur la prévision multivariée et informée par des covariables, les capacités universelles d'ICL de Chronos-2 conduisent à des améliorations substantielles par rapport aux modèles existants. Sur les tâches impliquant des covariables, il surpasse systématiquement les modèles de référence avec une large marge. Des études de cas dans les domaines de l'énergie et de la vente au détail mettent en avant ses avantages pratiques. Les capacités d'apprentissage en contexte de Chronos-2 en font un modèle de prévision à usage général qui peut être utilisé "tel quel" dans les pipelines de prévision en contexte réel.

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 prévision univariée à la prévision universelle

Chronos-2: From Univariate to Universal Forecasting

papers.abstract

Support