IBM Granite TimeSeries Forecasting Models (TSFM) 使用指南

1. 项目介绍

IBM Granite TimeSeries Forecasting Models（TSFM）是一个开源项目，旨在提供一系列时间序列预测模型，这些模型基于多种公开数据集进行预训练，并支持用户自定义数据集进行微调。TSFM 项目包含了多种时间序列模型，如 TinyTimeMixer（TTM），这些模型体积小巧，速度快，非常适合资源受限的预测场景。

2. 项目快速启动

首先，你需要克隆项目仓库并安装必要的依赖项。以下是在本地环境中快速启动的步骤：

# 克隆项目仓库
git clone "https://github.com/ibm-granite/granite-tsfm.git"
cd granite-tsfm

# 安装依赖项
pip install -r requirements.txt

接下来，你可以运行一个简单的示例脚本，以验证安装是否成功：

# 运行示例脚本
python examples/simple_example.py

3. 应用案例和最佳实践

以下是几个应用案例和最佳实践，帮助你更好地使用 TSFM：

3.1 TinyTimeMixer (TTM) 快速微调

如果你有一组自定义的时间序列数据，并希望对 TTM 模型进行微调，以下是一个简单的微调流程：

from transformers import TinyTimeMixerForPrediction
from transformers import Trainer

# 加载预训练的 TTM 模型
model = TinyTimeMixerForPrediction.from_pretrained("https://huggingface.co/ibm/TTM", revision="main")

# 准备你的数据集
# ...

# 创建微调的 Trainer 对象
trainer = Trainer(
    model=model,
    args=finetune_forecast_args,
    train_dataset=dset_train,
    eval_dataset=dset_val,
    callbacks=[early_stopping_callback, tracking_callback]
)

# 开始微调
trainer.train()

# 评估微调后的模型
fewshot_output = trainer.evaluate(dset_test)

3.2 零样本预测

TTM 模型支持零样本预测，这意味着你可以在没有任何训练的情况下直接使用模型进行预测：

from transformers import TinyTimeMixerForPrediction
from transformers import Trainer

# 加载预训练的 TTM 模型
model = TinyTimeMixerForPrediction.from_pretrained("https://huggingface.co/ibm/TTM", revision="main")

# 创建零样本预测的 Trainer 对象
trainer = Trainer(model=model, args=zeroshot_forecast_args)

# 进行零样本预测
zeroshot_output = trainer.evaluate(dset_test)

4. 典型生态项目

TSFM 项目与 Hugging Face 生态系统紧密集成，你可以轻松地使用 Hugging Face 提供的模型和工具。以下是一些典型的生态项目：

• Hugging Face Models: TSFM 项目中的模型都可以在 Hugging Face Models 仓库中找到，你可以直接从仓库中加载和部署模型。
• Hugging Face Datasets: TSFM 使用的公开数据集可以在 Hugging Face Datasets 仓库中找到，这些数据集可以用于模型的训练和评估。
• Hugging Face Spaces: 你可以在 Hugging Face Spaces 上创建项目，展示你的时间序列预测应用，并与社区分享你的工作。

通过上述介绍，你应该能够开始使用 IBM Granite TimeSeries Forecasting Models (TSFM) 进行时间序列预测了。如果你有任何问题或需要进一步的帮助，请查看项目文档或在 GitHub 上提出问题。