Granite-Timeseries-FlowState-R1震撼发布IBM革命性时间序列基础模型如何实现跨尺度零样本预测【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-r1IBM Research开源的Granite-Timeseries-FlowState-R1简称FlowState是首个支持时间尺度动态调整的时间序列基础模型通过创新的状态空间模型SSM编码器与函数基解码器FBD组合实现了跨尺度零样本预测能力彻底改变了传统时间序列模型对固定采样率的依赖。 核心突破时间尺度不变的预测范式FlowState的革命性在于其时间尺度自适应能力。传统模型需针对特定采样率如每小时、每天单独训练而FlowState通过以下创新实现全尺度兼容状态空间模型编码器将原始时间序列映射到尺度无关的系数空间函数基解码器利用连续基函数生成跨尺度预测支持任意采样率转换动态上下文调整根据输入数据特性自动优化上下文窗口与预测长度这一架构使模型在单一时间尺度训练后即可无缝迁移到所有可能的采样率场景大幅提升训练数据利用率。 性能碾压10倍参数优势下的SOTA表现尽管参数量不足1000万仅为同类模型的1/10FlowState在零样本预测任务中表现出惊人性能在GIFT-Eval基准测试中MASE指标超越所有公开零样本模型支持并行预测多个连续时间片段兼顾精度与效率1.1版本升级后参数增至1850万预训练上下文窗口从2048扩展至4096并引入输出门控机制优化S5层 关键特性解析 函数基解码器FBD创新的解码器设计通过一组连续基函数实现生成真正连续的预测结果支持时间尺度平滑过渡无需重新训练即可适应新的采样率 灵活的 temporal scaling 机制针对不同采样率提供推荐缩放因子采样率推荐缩放因子15分钟0.2530分钟0.5每小时1.0每天3.43周周期数据/ 0.0656非周周期每周0.46每月2.0 高效部署支持GPU加速推理预测长度建议不超过30个周期如96步/天数据可预测2880步提供完整Python API与Jupyter Notebook示例 快速上手指南环境准备git clone https://gitcode.com/hf_mirrors/ibm-granite/granite-timeseries-flowstate-r1 cd granite-timeseries-flowstate-r1 # 按照官方指引安装依赖https://github.com/ibm-granite/granite-tsfm/?tabreadme-ov-file#initial-setup基础预测代码from tsfm_public import FlowStateForPrediction import torch device cuda if torch.cuda.is_available() else cpu # 加载最新1.1版本模型 predictor FlowStateForPrediction.from_pretrained( ibm-granite/granite-timeseries-flowstate-r1, revisionr1.1 ).to(device) # 输入形状: (context_length, batch_size, channels) time_series torch.randn((2048, 32, 1), devicedevice) # 预测960步使用0.25缩放因子适用于15分钟采样数据 forecast predictor( time_series, scale_factor0.25, prediction_length960, batch_firstFalse ) print(f预测输出形状: {forecast.prediction_outputs.shape}) # 输出: torch.Size([32, 9, 48, 1]) (batch, quantiles, forecast_length, channels) 技术背景与数据FlowState基于以下数据集预训练Salesforce Gift-Eval Pretrain子集AutoGluon Chronos数据集子集所有GIFT-Eval结果均为零样本预测未使用测试集数据进行微调。模型架构细节可参考论文。 引用格式article{graf2025flowstate, title{FlowState: Sampling Rate Invariant Time Series Forecasting}, author{Graf, Lars and Ortner, Thomas and Wo{\L}{\c{s}}niak, Stanis{\L} and Pantazi, Angeliki and others}, journal{arXiv preprint arXiv:2508.05287}, year{2025} } 探索更多资源入门教程flowstate_getting_started.ipynb评估示例flowstate_gift_eval.ipynb模型卡HuggingFace Model CardFlowState不仅重新定义了时间序列预测的可能性更为工业界提供了一个兼具精度、效率与灵活性的基础模型选择。无论是能源预测、交通流量分析还是金融时间序列其跨尺度零样本能力都将大幅降低应用门槛加速AI在时序领域的落地。【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
Granite-Timeseries-FlowState-R1震撼发布IBM革命性时间序列基础模型如何实现跨尺度零样本预测【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-r1IBM Research开源的Granite-Timeseries-FlowState-R1简称FlowState是首个支持时间尺度动态调整的时间序列基础模型通过创新的状态空间模型SSM编码器与函数基解码器FBD组合实现了跨尺度零样本预测能力彻底改变了传统时间序列模型对固定采样率的依赖。 核心突破时间尺度不变的预测范式FlowState的革命性在于其时间尺度自适应能力。传统模型需针对特定采样率如每小时、每天单独训练而FlowState通过以下创新实现全尺度兼容状态空间模型编码器将原始时间序列映射到尺度无关的系数空间函数基解码器利用连续基函数生成跨尺度预测支持任意采样率转换动态上下文调整根据输入数据特性自动优化上下文窗口与预测长度这一架构使模型在单一时间尺度训练后即可无缝迁移到所有可能的采样率场景大幅提升训练数据利用率。 性能碾压10倍参数优势下的SOTA表现尽管参数量不足1000万仅为同类模型的1/10FlowState在零样本预测任务中表现出惊人性能在GIFT-Eval基准测试中MASE指标超越所有公开零样本模型支持并行预测多个连续时间片段兼顾精度与效率1.1版本升级后参数增至1850万预训练上下文窗口从2048扩展至4096并引入输出门控机制优化S5层 关键特性解析 函数基解码器FBD创新的解码器设计通过一组连续基函数实现生成真正连续的预测结果支持时间尺度平滑过渡无需重新训练即可适应新的采样率 灵活的 temporal scaling 机制针对不同采样率提供推荐缩放因子采样率推荐缩放因子15分钟0.2530分钟0.5每小时1.0每天3.43周周期数据/ 0.0656非周周期每周0.46每月2.0 高效部署支持GPU加速推理预测长度建议不超过30个周期如96步/天数据可预测2880步提供完整Python API与Jupyter Notebook示例 快速上手指南环境准备git clone https://gitcode.com/hf_mirrors/ibm-granite/granite-timeseries-flowstate-r1 cd granite-timeseries-flowstate-r1 # 按照官方指引安装依赖https://github.com/ibm-granite/granite-tsfm/?tabreadme-ov-file#initial-setup基础预测代码from tsfm_public import FlowStateForPrediction import torch device cuda if torch.cuda.is_available() else cpu # 加载最新1.1版本模型 predictor FlowStateForPrediction.from_pretrained( ibm-granite/granite-timeseries-flowstate-r1, revisionr1.1 ).to(device) # 输入形状: (context_length, batch_size, channels) time_series torch.randn((2048, 32, 1), devicedevice) # 预测960步使用0.25缩放因子适用于15分钟采样数据 forecast predictor( time_series, scale_factor0.25, prediction_length960, batch_firstFalse ) print(f预测输出形状: {forecast.prediction_outputs.shape}) # 输出: torch.Size([32, 9, 48, 1]) (batch, quantiles, forecast_length, channels) 技术背景与数据FlowState基于以下数据集预训练Salesforce Gift-Eval Pretrain子集AutoGluon Chronos数据集子集所有GIFT-Eval结果均为零样本预测未使用测试集数据进行微调。模型架构细节可参考论文。 引用格式article{graf2025flowstate, title{FlowState: Sampling Rate Invariant Time Series Forecasting}, author{Graf, Lars and Ortner, Thomas and Wo{\L}{\c{s}}niak, Stanis{\L} and Pantazi, Angeliki and others}, journal{arXiv preprint arXiv:2508.05287}, year{2025} } 探索更多资源入门教程flowstate_getting_started.ipynb评估示例flowstate_gift_eval.ipynb模型卡HuggingFace Model CardFlowState不仅重新定义了时间序列预测的可能性更为工业界提供了一个兼具精度、效率与灵活性的基础模型选择。无论是能源预测、交通流量分析还是金融时间序列其跨尺度零样本能力都将大幅降低应用门槛加速AI在时序领域的落地。【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
