Cisco Time Series Model技术报告解读多分辨率嵌入与特殊标记创新【免费下载链接】cisco-time-series-model-1.0-preview项目地址: https://ai.gitcode.com/hf_mirrors/cisco-ai/cisco-time-series-model-1.0-previewCisco Time Series Model是一款基于解码器架构的时间序列基础模型专注于单变量零样本预测任务。该模型在TimesFM2.0基础上引入多分辨率改进通过创新的分辨率嵌入和特殊标记技术实现对长上下文数据的高效利用为时间序列预测领域带来突破性解决方案。核心技术创新多分辨率架构解析双分辨率输入机制模型采用独特的双分辨率上下文设计xc, xf其中粗分辨率xc数据点间隔是细分辨率xf的60倍。两种分辨率序列长度均可达512且必须严格右对齐——例如细分辨率包含截至11:00的512分钟数据时粗分辨率需对应包含截至同一时间的512小时数据。这种设计使模型能同时捕捉长期趋势与短期波动。分辨率嵌入与特殊标记架构创新点体现在两个关键组件分辨率嵌入为不同分辨率序列添加特定嵌入向量帮助模型区分时间尺度差异特殊标记在序列中插入专用标记增强模型对分辨率边界的识别能力配置文件config.json显示这些创新通过use_resolution_embeddings: true和use_special_token: true参数启用与50层解码器transformer架构形成协同效应。训练数据与性能优化多样化训练数据集模型训练数据规模超过300B独特数据点来源包括50%Splunk Observability Cloud内部指标时间序列35%为1小时/1分钟分辨率15%为5小时/5分钟分辨率30%GIFT-Eval预训练语料库衍生数据5%Chronos数据集集合15%合成多分辨率数据这种混合数据策略确保模型在不同场景下的泛化能力尤其针对工业级监控数据优化。模型参数配置config.json揭示关键参数设计隐藏层维度1280注意力头数16解码器层数50预测长度128点细分辨率支持分位数预测0.1至0.9共9个分位实用指南从安装到部署快速安装步骤git clone https://gitcode.com/hf_mirrors/cisco-ai/cisco-time-series-model-1.0-preview cd cisco-time-series-model-1.0-preview pip install -r requirements.txt使用注意事项数据预处理缺失值建议使用最后值填充当填充比例超过30%时可能影响预测质量输入长度提供更长的粗分辨率历史数据通常会获得更好结果过短输入可能导致性能下降分位数解读当前分位数未经过严格校准建议仅作为趋势参考而非精确置信区间基础预测代码示例import torch import numpy as np from modeling import CiscoTsmMR, TimesFmHparams, TimesFmCheckpoint # 初始化模型 hparams TimesFmHparams( num_layers50, use_positional_embeddingFalse, backendgpu if torch.cuda.is_available() else cpu, ) ckpt TimesFmCheckpoint(huggingface_repo_idcisco-ai/cisco-time-series-model-1.0-preview) model CiscoTsmMR( hparamshparams, checkpointckpt, use_resolution_embeddingsTrue, use_special_tokenTrue, ) # 生成示例数据并预测 input_series np.random.randn(512*60).astype(np.float32) # 30720个细分辨率数据点 forecast_preds model.forecast(input_series, horizon_len128) mean_forecast forecast_preds[0][mean] # 128点预测结果技术价值与应用前景Cisco Time Series Model通过多分辨率设计突破传统时间序列模型的上下文限制特别适用于工业监控系统的异常检测能源消耗预测与优化金融市场多尺度趋势分析物联网设备数据流预测模型开源仓库提供完整PyTorch实现技术报告可通过arXiv:2511.19841获取。研究人员若使用该模型请引用以下文献misc{gou2025ciscotimeseriesmodel, title{Cisco Time Series Model Technical Report}, author{Liang Gou and Archit Khare and Praneet Pabolu and Prachi Patel and Joseph Ross and Hercy Shen and Yuhan and Song and Jingze Sun and Kristal Curtis and Vedant Dharnidharka and Abhinav Mathur and Hao Yang}, year{2025}, eprint{2511.19841}, archivePrefix{arXiv}, primaryClass{cs.LG}, }该模型代表了时间序列预测领域向多尺度建模的重要演进其创新架构为处理长时序数据提供了新思路有望在各类时间序列分析场景中发挥重要作用。【免费下载链接】cisco-time-series-model-1.0-preview项目地址: https://ai.gitcode.com/hf_mirrors/cisco-ai/cisco-time-series-model-1.0-preview创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考