Chronos-2: Da Previsão Univariada para a Universal

Resumo

Modelos pré-treinados para séries temporais têm possibilitado sistemas de previsão baseados apenas em inferência, capazes de produzir previsões precisas sem treinamento específico para cada tarefa. No entanto, as abordagens existentes concentram-se principalmente em previsões univariadas, limitando sua aplicabilidade em cenários do mundo real, onde dados multivariados e covariáveis desempenham um papel crucial. Apresentamos o Chronos-2, um modelo pré-treinado capaz de lidar com tarefas de previsão univariadas, multivariadas e informadas por covariáveis de maneira zero-shot. O Chronos-2 emprega um mecanismo de atenção em grupo que facilita o aprendizado em contexto (ICL, in-context learning) por meio do compartilhamento eficiente de informações entre múltiplas séries temporais dentro de um grupo, que pode representar conjuntos de séries relacionadas, variantes de uma série multivariada ou alvos e covariáveis em uma tarefa de previsão. Essas capacidades gerais são alcançadas por meio do treinamento em conjuntos de dados sintéticos que impõem estruturas multivariadas diversas em séries univariadas. O Chronos-2 oferece desempenho de ponta em três benchmarks abrangentes: fev-bench, GIFT-Eval e Chronos Benchmark II. No fev-bench, que enfatiza previsões multivariadas e informadas por covariáveis, as capacidades universais de ICL do Chronos-2 levam a melhorias substanciais em relação aos modelos existentes. Em tarefas que envolvem covariáveis, ele supera consistentemente as baselines por uma ampla margem. Estudos de caso nos domínios de energia e varejo destacam ainda mais suas vantagens práticas. As capacidades de aprendizado em contexto do Chronos-2 o estabelecem como um modelo de previsão de propósito geral que pode ser usado "como está" em pipelines de previsão do 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: Da Previsão Univariada para a Universal

Chronos-2: From Univariate to Universal Forecasting

Resumo

Support