10分钟上手Granite-Timeseries-FlowState-R1从安装到首次预测的完整指南【免费下载链接】granite-timeseries-flowstate-r1项目地址: https://ai.gitcode.com/hf_mirrors/ibm-granite/granite-timeseries-flowstate-r1Granite-Timeseries-FlowState-R1是IBM Research开源的首个时间尺度可调时间序列基础模型TSFM结合状态空间模型SSM编码器与功能基解码器实现跨时间尺度的高效预测。本文将带你快速掌握从安装到首次预测的全流程让你轻松体验这款零样本时间序列预测领域的创新模型。 模型核心优势速览FlowState作为新一代时间序列基础模型凭借独特的架构设计带来三大核心优势 时间尺度自适应能力通过功能基解码器FBD将时间序列转换为尺度不变的系数空间实现从训练时间尺度到任意推理时间尺度的无缝过渡极大提升训练数据利用率。 高效紧凑的模型设计仅含18.5M参数v1.1版本却能在零样本预测任务中超越10倍参数量的模型性能在GIFT-Eval排行榜上稳居零样本模型榜首截至2026年4月28日。 灵活的预测长度控制支持动态调整上下文长度和目标长度可根据数据时间尺度特性灵活配置推荐预测长度不超过30个季节周期如每小时采样数据建议不超过30*24720步。⚙️ 快速安装步骤环境准备推荐使用Python 3.11环境通过以下命令克隆项目仓库git clone https://gitcode.com/hf_mirrors/ibm-granite/granite-timeseries-flowstate-r1依赖安装按照官方指引安装核心依赖cd granite-timeseries-flowstate-r1 pip install -r requirements.txt # 假设存在requirements.txt文件详细安装说明可参考项目GitHub仓库的初始设置文档 首次预测实战基础预测代码使用以下Python代码即可完成基础预测from tsfm_public import FlowStateForPrediction import torch # 设置设备 device cuda if torch.cuda.is_available() else cpu # 加载模型指定r1.1版本 predictor FlowStateForPrediction.from_pretrained( ibm-granite/granite-timeseries-flowstate-r1, revisionr1.1 ).to(device) # 准备输入数据 (上下文长度, 批次大小, 特征数) time_series torch.randn((2048, 32, 1), devicedevice) # 执行预测 forecast predictor( time_series, scale_factor0.25, # 15分钟采样率推荐值 prediction_length960, batch_firstFalse ) # 输出预测结果形状 print(forecast.prediction_outputs.shape) # torch.Size([32, 9, 48, 1])关键参数说明scale_factor时间尺度调整因子需根据数据采样率设置见下表prediction_length预测步数建议不超过30个季节周期revision模型版本标识必须指定r1.1以使用最新改进采样率与尺度因子对应表采样率推荐尺度因子应用场景15分钟0.25高频工业数据30分钟0.5能源消耗监测hourly1.0气象数据预测daily3.43周周期销售趋势分析weekly0.46库存管理预测 模型性能特点FlowState在保持模型紧凑性的同时实现了卓越性能参数量18.5Mv1.1版本上下文长度4096较v1.0提升100%零样本能力无需微调即可适应新领域数据并行预测支持多连续片段并行预测提升推理效率模型配置详情可查看项目根目录下的config.json文件关键参数包括context_length2048、encoder_state_dim512等 使用技巧与最佳实践尺度因子计算方法当数据季节周期N已知时可通过公式计算最优尺度因子scale_factor 24 / N # 24为预训练使用的基础季节周期例如每15分钟采样的日周期数据N96scale_factor24/960.25数据预处理建议输入数据需保持形状为(上下文长度, 批次大小, 特征数)建议对时间序列进行标准化处理均值为0方差为1缺失值处理模型原生支持缺失值with_missingtrue无需额外填充常见问题解决预测质量下降检查是否超过推荐预测长度30个季节周期GPU内存不足减小批次大小或使用CPU推理版本兼容性确保transformers版本≥4.52.1见config.json中transformers_version 学习资源与进阶官方示例 notebooks快速入门指南GIFT-Eval评估教程技术论文深入了解模型原理可参考官方论文 FlowState: Sampling Rate Invariant Time Series Forecasting通过以上步骤你已掌握Granite-Timeseries-FlowState-R1的基本使用方法。这款创新的时间序列基础模型将为你的预测任务带来前所未有的灵活性和效率无论是工业监测、能源管理还是销售预测都能提供精准可靠的预测结果。现在就动手尝试开启你的时间序列预测之旅吧【免费下载链接】granite-timeseries-flowstate-r1项目地址: https://ai.gitcode.com/hf_mirrors/ibm-granite/granite-timeseries-flowstate-r1创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考