时间序列预测新手必看Time-Anchor ModernBERT 32M常见问题解答【免费下载链接】time-anchor-modernbert-32m项目地址: https://ai.gitcode.com/hf_mirrors/K-Iwa/time-anchor-modernbert-32mTime-Anchor ModernBERT 32M是一款基于32M参数ModernBERT骨干构建的紧凑型时间序列模型总参数达33.4M包含时间序列输入/输出头。它能同时提供分位数预测、变量/时间影响分析和锚定预测三大核心功能是时间序列预测领域的实用工具。 基础概念篇什么是Time-Anchor ModernBERT 32MTime-Anchor ModernBERT 32M是一款融合了ModernBERT架构的时间序列预测模型专为高效处理时间序列数据设计。它以32M参数的ModernBERT作为骨干网络搭配时间序列专用的输入输出头能够实现高精度的预测任务。该模型有哪些核心功能该模型一次调用可返回三项关键结果分位数预测支持任意请求分位数水平的概率预测变量/时间影响每个输入变量在每个时间步的标准化贡献度锚定预测基于用户指定的已知未来点进行条件预测 安装与使用篇如何安装Time-Anchor ModernBERT 32M安装过程非常简单只需在命令行中执行以下命令pip install time-anchor安装完成后predict_time_anchor函数即可接受Hugging Face Hub模型ID或本地 checkpoint 目录作为参数。如何获取模型文件你可以通过以下命令克隆仓库获取完整模型文件git clone https://gitcode.com/hf_mirrors/K-Iwa/time-anchor-modernbert-32m如何进行基本的分位数预测以下是一个使用示例展示如何对东京每小时温度数据进行预测import pandas as pd from time_anchor import predict_time_anchor url ( https://archive-api.open-meteo.com/v1/archive ?latitude35.69longitude139.69start_date2024-10-01end_date2024-12-31 hourlytemperature_2m,relative_humidity_2m,surface_pressure,wind_speed_10mformatcsv ) weather pd.read_csv(url, skiprows3) temperature weather.iloc[:, 1].astype(float32) result predict_time_anchor( K-Iwa/time-anchor-modernbert-32m, target_contexttemperature[:1440], prediction_length64, quantile_levels(0.1, 0.5, 0.9), ) print(pd.DataFrame(result.forecast_rows))如何使用命令行工具进行预测模型提供了便捷的命令行工具使用示例如下time-anchor-infer --checkpoint K-Iwa/time-anchor-modernbert-32m \ --input data.csv --target-column Target \ --exogenous-columns Feature1,Feature2,Feature3该命令会生成output/forecast.csv、output/variable_impact.csv和output/result.json三个文件。 功能详解篇什么是分位数预测它有什么优势分位数预测提供了不同置信水平下的预测结果而不仅仅是单一的点预测。这使得用户能够了解预测的不确定性范围例如q10-q90区间表示有80%的可能性实际值会落在该范围内。在东京每小时温度预测任务中该模型的中位数MAE为0.57°C且所有实际值都落在q10-q90区间内。变量/时间影响分析有什么作用变量/时间影响分析展示了每个输入变量在不同时间步对预测结果的贡献度。这有助于用户理解模型的决策过程识别关键影响因素。例如在一周的天气数据中可以清晰看到每个气象变量在不同小时的贡献情况。如何进行变量/时间影响分析以下代码示例展示了如何获取变量影响数据result predict_time_anchor( K-Iwa/time-anchor-modernbert-32m, target_contexttemperature[:168], explanatory_contexts[weather.iloc[:168, i].astype(float32) for i in (2, 3, 4)], gaf{enabled: True, topk_time_steps: 0}, ) print(pd.DataFrame(result.variable_impact_rows))什么是锚定预测何时应该使用它锚定预测允许用户基于已知的未来点来调整预测结果。当你已经知道某些未来时刻的实际值时例如计划中的事件、已知的季节性因素等使用锚定预测可以显著提高预测准确性。在月度航空乘客预测案例中固定6个已知月份可将中位数预测MAE从46降至10千乘客。如何设置锚定预测以下是一个锚定预测的示例代码url https://raw.githubusercontent.com/jbrownlee/Datasets/master/airline-passengers.csv passengers pd.read_csv(url)[Passengers].astype(float32) result predict_time_anchor( K-Iwa/time-anchor-modernbert-32m, target_contextpassengers[:-24], prediction_length24, anchor{ mode: observed, positions: [4, 8, 12, 16, 20, 24], values: [396, 559, 405, 461, 606, 432], }, ) print(pd.DataFrame(result.forecast_rows))其中positions是基于1的预测 horizon 步骤锚定预测仅使用目标历史数据当传递explanatory_contexts时应禁用锚定。⚙️ 技术细节篇模型的主要参数配置是什么Time-Anchor ModernBERT 32M的关键参数包括骨干网络ModernBERT编码器10层隐藏层3846个注意力头总参数33.4M31.9M ModernBERT骨干 1.5M时间序列头最大上下文长度3,463步预测 horizon64步训练分位数0.1 – 0.99个级别归因方法Generalized Attention Flow (GAF) via barrier-method max-flow锚定模式observed,auto,forward,inverted,sparse,hierarchical,hybrid模型支持哪些输入输出格式模型主要接受CSV格式的时间序列数据输出包括预测结果、变量影响和锚定预测等均以DataFrame或CSV文件形式提供方便进一步分析和可视化。❓ 故障排除篇预测结果不理想怎么办如果预测结果不理想可以尝试以下方法增加输入数据的上下文长度最大支持3,463步调整分位数水平查看不同置信区间的预测结果使用锚定预测功能输入已知的未来点检查输入数据质量确保没有缺失值或异常值如何处理大量输入变量模型支持多变量输入但建议根据变量影响分析结果筛选对预测贡献较大的变量以提高模型效率和预测准确性。模型运行速度慢怎么办如果模型运行速度较慢可以尝试减少输入数据的上下文长度降低预测 horizon最大支持64步使用--no-impact参数进行仅预测运行关闭变量影响分析 资源与参考篇在哪里可以找到更多示例代码模型的源代码和更多示例可以在K-Iwa/time-anchor找到。模型的理论基础是什么模型的设计参考了以下研究成果Ansari et al. Chronos: Learning the Language of Time Series. TMLR 2024 — 指导预测/ tokenization 设计。Azarkhalili and Libbrecht. Generalized Attention Flow: Feature Attribution for Transformer Models via Maximum Flow. 2025 — 变量/时间影响方法GAF。模型使用什么许可证Time-Anchor ModernBERT 32M使用Apache-2.0许可证。通过以上解答相信你已经对Time-Anchor ModernBERT 32M有了基本的了解。如果在使用过程中遇到其他问题欢迎查阅项目文档或提交issue寻求帮助。祝你在时间序列预测的旅程中取得成功【免费下载链接】time-anchor-modernbert-32m项目地址: https://ai.gitcode.com/hf_mirrors/K-Iwa/time-anchor-modernbert-32m创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考