Chronos-2: Van univariate naar universele voorspelling

Samenvatting

Voorgetrainde tijdreeksmodellen hebben inferentie-only voorspellingssystemen mogelijk gemaakt die nauwkeurige voorspellingen produceren zonder taakspecifieke training. Bestaande benaderingen richten zich echter grotendeels op univariate voorspellingen, wat hun toepasbaarheid beperkt in real-world scenario's waar multivariate gegevens en covariaten een cruciale rol spelen. Wij presenteren Chronos-2, een voorgetraind model dat in staat is om univariate, multivariate en covariaat-gestuurde voorspellingstaken op een zero-shot manier te verwerken. Chronos-2 maakt gebruik van een groepsaandachtsmechanisme dat in-context learning (ICL) mogelijk maakt door efficiënte informatie-uitwisseling over meerdere tijdreeksen binnen een groep, die gerelateerde reeksen, variabelen van een multivariate reeks, of doelen en covariaten in een voorspellingstaak kunnen vertegenwoordigen. Deze algemene mogelijkheden worden bereikt door training op synthetische datasets die diverse multivariate structuren opleggen aan univariate reeksen. Chronos-2 levert state-of-the-art prestaties op drie uitgebreide benchmarks: fev-bench, GIFT-Eval en Chronos Benchmark II. Op fev-bench, dat de nadruk legt op multivariate en covariaat-gestuurde voorspellingen, leiden de universele ICL-mogelijkheden van Chronos-2 tot aanzienlijke verbeteringen ten opzichte van bestaande modellen. Bij taken met covariaten presteert het consistent beter dan baseline-modellen met een ruime marge. Casestudies in de energie- en retaildomeinen benadrukken verder de praktische voordelen ervan. De in-context learning-mogelijkheden van Chronos-2 vestigen het als een algemeen toepasbaar voorspellingsmodel dat "as is" kan worden gebruikt in real-world voorspellingspijplijnen.

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: Van univariate naar universele voorspelling

Chronos-2: From Univariate to Universal Forecasting

Samenvatting

Support