Chronos-2: От одномерного к универсальному прогнозированию

Chronos-2: From Univariate to Universal Forecasting

October 17, 2025

Авторы: 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

Аннотация

Предобученные модели временных рядов сделали возможными системы прогнозирования, работающие исключительно на выводе и обеспечивающие точные предсказания без необходимости обучения для конкретной задачи. Однако существующие подходы в основном сосредоточены на одномерном прогнозировании, что ограничивает их применимость в реальных сценариях, где многомерные данные и ковариаты играют ключевую роль. Мы представляем Chronos-2, предобученную модель, способную выполнять задачи одномерного, многомерного и прогнозирования с учетом ковариат в режиме "zero-shot". Chronos-2 использует механизм группового внимания, который способствует обучению в контексте (in-context learning, ICL) за счет эффективного обмена информацией между несколькими временными рядами в группе, которая может представлять наборы связанных рядов, переменные многомерного ряда или целевые показатели и ковариаты в задаче прогнозирования. Эти общие возможности достигаются за счет обучения на синтетических наборах данных, которые накладывают разнообразные многомерные структуры на одномерные ряды. Chronos-2 демонстрирует наилучшую производительность в трех комплексных тестах: fev-bench, GIFT-Eval и Chronos Benchmark II. На fev-bench, который акцентирует внимание на многомерном прогнозировании и прогнозировании с учетом ковариат, универсальные возможности ICL Chronos-2 приводят к значительному улучшению по сравнению с существующими моделями. В задачах, связанных с ковариатами, она стабильно превосходит базовые модели с большим отрывом. Кейс-стади в энергетической и розничной областях дополнительно подчеркивают ее практические преимущества. Возможности обучения в контексте Chronos-2 делают ее универсальной моделью прогнозирования, которую можно использовать "как есть" в реальных конвейерах прогнозирования.

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.