Chronos-2: Dalla previsione univariata a quella universale

Chronos-2: From Univariate to Universal Forecasting

October 17, 2025

Autori: 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

Abstract

I modelli preaddestrati per serie temporali hanno abilitato sistemi di previsione basati esclusivamente sull'inferenza, in grado di produrre previsioni accurate senza un addestramento specifico per il compito. Tuttavia, gli approcci esistenti si concentrano principalmente sulla previsione univariata, limitando la loro applicabilità in scenari reali dove i dati multivariati e le covariate svolgono un ruolo cruciale. Presentiamo Chronos-2, un modello preaddestrato in grado di gestire compiti di previsione univariati, multivariati e basati su covariate in modalità zero-shot. Chronos-2 utilizza un meccanismo di attenzione di gruppo che facilita l'apprendimento contestuale (ICL) attraverso una condivisione efficiente delle informazioni tra più serie temporali all'interno di un gruppo, che può rappresentare insiemi di serie correlate, varianti di una serie multivariata o target e covariate in un compito di previsione. Queste capacità generali sono ottenute attraverso l'addestramento su dataset sintetici che impongono strutture multivariate diverse su serie univariate. Chronos-2 offre prestazioni all'avanguardia in tre benchmark completi: fev-bench, GIFT-Eval e Chronos Benchmark II. Su fev-bench, che enfatizza la previsione multivariata e basata su covariate, le capacità universali di ICL di Chronos-2 portano a miglioramenti sostanziali rispetto ai modelli esistenti. Nei compiti che coinvolgono covariate, supera costantemente i baseline con un ampio margine. Studi di caso nei settori dell'energia e della vendita al dettaglio evidenziano ulteriormente i suoi vantaggi pratici. Le capacità di apprendimento contestuale di Chronos-2 lo stabiliscono come un modello di previsione generico che può essere utilizzato "così com'è" nelle pipeline di previsione del mondo reale.

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.