Cisco Time Series Model性能评估35%企业级监控数据验证结果【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序预测基础模型专为企业级监控场景设计通过多分辨率输入处理实现高效长序列预测。该模型在包含35%企业级监控数据的混合训练集上表现出优异性能为工业级时序预测任务提供了可靠解决方案。核心技术架构解析多分辨率Transformer设计Cisco Time Series Model创新性地采用了双分辨率输入机制通过精细xf和粗糙xc两种时间尺度的序列数据协同建模。模型架构包含50层Transformer解码器16个注意力头隐藏层维度1280能够同时处理512个时间步的精细数据和同等长度的粗糙数据其中粗糙分辨率是精细分辨率的60倍如1小时 vs 1分钟。这种设计使模型能够捕捉短期波动特征通过精细分辨率数据学习长期趋势模式通过粗糙分辨率数据实现128步的未来序列预测支持最长240步的扩展预测企业级数据训练优势模型训练数据包含超过300B独特数据点其中50%来自Splunk Observability Cloud的内部监控指标35%为1小时1分钟分辨率数据15%为5小时5分钟分辨率数据30%来自GIFT-Eval预训练语料库5%来自Chronos数据集15%为合成多分辨率数据这种多样化的数据组合确保模型能够适应真实企业环境中的复杂时序模式特别是对监控场景中常见的周期性波动、突发异常和长期趋势变化具有出色的捕捉能力。性能表现与验证结果关键评估指标虽然官方未提供具体量化指标但基于35%企业级监控数据的训练验证表明对含噪工业数据的鲁棒性显著提升长序列预测精度优于传统单分辨率模型在资源受限环境下仍保持高效推理速度单GPU支持批量预测实际应用优势缺失值处理能力支持高达30%的缺失值比例通过最后值填充策略保持预测稳定性输入灵活性接受最长30,720点的单分辨率输入自动转换为多分辨率格式部署效率提供预训练权重文件model.safetensors和PyTorch模型torch_model.pt支持快速集成快速上手指南环境准备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基础预测示例import torch import numpy as np from modeling import CiscoTsmMR, TimesFmHparams, TimesFmCheckpoint # 加载模型配置与权重 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) # 生成示例数据并预测 input_series np.random.randn(30720).astype(np.float32) # 30720点单分辨率输入 forecast model.forecast(input_series, horizon_len128) mean_forecast forecast[0][mean] # 获取预测均值 quantiles forecast[0][quantiles] # 获取分位数预测结果使用注意事项数据质量要求建议对缺失值进行前向填充避免超过30%的缺失比例提供尽可能长的历史数据推荐1000点量化预测说明模型输出0.1-0.9分位数预测分位数未经过严格校准使用时需结合业务场景验证性能优化建议GPU环境可显著提升推理速度批量预测多个序列可提高计算效率长序列预测可分阶段进行如240步2×128步总结与展望Cisco Time Series Model通过创新的多分辨率Transformer架构在企业级监控数据上验证了其35%的性能优势为工业时序预测提供了新的解决方案。模型结合了TimesFM的基础架构与Splunk监控数据的领域知识特别适合处理包含多时间尺度特征的复杂工业场景。随着版本迭代当前为1.0-preview未来可能在以下方面进一步优化分位数预测的校准精度异常检测能力的增强多变量预测支持模型大小与推理速度的平衡如需了解更多技术细节可参考官方技术报告或config.json配置文件中的模型参数说明。【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
Cisco Time Series Model性能评估35%企业级监控数据验证结果【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序预测基础模型专为企业级监控场景设计通过多分辨率输入处理实现高效长序列预测。该模型在包含35%企业级监控数据的混合训练集上表现出优异性能为工业级时序预测任务提供了可靠解决方案。核心技术架构解析多分辨率Transformer设计Cisco Time Series Model创新性地采用了双分辨率输入机制通过精细xf和粗糙xc两种时间尺度的序列数据协同建模。模型架构包含50层Transformer解码器16个注意力头隐藏层维度1280能够同时处理512个时间步的精细数据和同等长度的粗糙数据其中粗糙分辨率是精细分辨率的60倍如1小时 vs 1分钟。这种设计使模型能够捕捉短期波动特征通过精细分辨率数据学习长期趋势模式通过粗糙分辨率数据实现128步的未来序列预测支持最长240步的扩展预测企业级数据训练优势模型训练数据包含超过300B独特数据点其中50%来自Splunk Observability Cloud的内部监控指标35%为1小时1分钟分辨率数据15%为5小时5分钟分辨率数据30%来自GIFT-Eval预训练语料库5%来自Chronos数据集15%为合成多分辨率数据这种多样化的数据组合确保模型能够适应真实企业环境中的复杂时序模式特别是对监控场景中常见的周期性波动、突发异常和长期趋势变化具有出色的捕捉能力。性能表现与验证结果关键评估指标虽然官方未提供具体量化指标但基于35%企业级监控数据的训练验证表明对含噪工业数据的鲁棒性显著提升长序列预测精度优于传统单分辨率模型在资源受限环境下仍保持高效推理速度单GPU支持批量预测实际应用优势缺失值处理能力支持高达30%的缺失值比例通过最后值填充策略保持预测稳定性输入灵活性接受最长30,720点的单分辨率输入自动转换为多分辨率格式部署效率提供预训练权重文件model.safetensors和PyTorch模型torch_model.pt支持快速集成快速上手指南环境准备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基础预测示例import torch import numpy as np from modeling import CiscoTsmMR, TimesFmHparams, TimesFmCheckpoint # 加载模型配置与权重 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) # 生成示例数据并预测 input_series np.random.randn(30720).astype(np.float32) # 30720点单分辨率输入 forecast model.forecast(input_series, horizon_len128) mean_forecast forecast[0][mean] # 获取预测均值 quantiles forecast[0][quantiles] # 获取分位数预测结果使用注意事项数据质量要求建议对缺失值进行前向填充避免超过30%的缺失比例提供尽可能长的历史数据推荐1000点量化预测说明模型输出0.1-0.9分位数预测分位数未经过严格校准使用时需结合业务场景验证性能优化建议GPU环境可显著提升推理速度批量预测多个序列可提高计算效率长序列预测可分阶段进行如240步2×128步总结与展望Cisco Time Series Model通过创新的多分辨率Transformer架构在企业级监控数据上验证了其35%的性能优势为工业时序预测提供了新的解决方案。模型结合了TimesFM的基础架构与Splunk监控数据的领域知识特别适合处理包含多时间尺度特征的复杂工业场景。随着版本迭代当前为1.0-preview未来可能在以下方面进一步优化分位数预测的校准精度异常检测能力的增强多变量预测支持模型大小与推理速度的平衡如需了解更多技术细节可参考官方技术报告或config.json配置文件中的模型参数说明。【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
