Uni2TS 三款时间序列预测模型选型指南Moirai、Moirai-MoE 还是 Moirai2【免费下载链接】uni2tsUnified Training of Universal Time Series Forecasting Transformers项目地址: https://gitcode.com/gh_mirrors/un/uni2tsUni2TS 是一套统一训练的时间序列预测 Transformer 框架一个代码库、三款模型Moirai、Moirai-MoE、Moirai2。选型前先想清楚你的算力、数据多样性和精度要求这篇文章给你一条直接的路。三款模型10 秒速查决策表模型规模档位核心机制适用场景Moiraismall 384/6 层、base 768/12 层、large 1024/24 层多尺度 patch 混合分布输出常规预测、微调、资源受限Moirai-MoEsmall、base 两档专家混合 门控路由多样数据、零样本预测、高精度Moirai2代码级配置未见三档发布分位数输出头 单 patch 编码器前沿试验、需要分位数结果共同基础统一训练、多尺度 patch 与混合分布三款模型跑在同一个训练框架上数据统一打包、掩码建模一套权重应对多种频率与领域这就是统一训练的含义。输入侧用多尺度 patch8、16、32、64、128 可选秒级到天级的序列共用一套编码器不必为每种频率单独建模。输出侧是四分布混合头——Student-t、Normal、负二项、LogNormal 各管一段连续、计数、长尾数据都有对应的分布通道概率预测能力由此而来。Moirai-MoE 架构图左为标准 Transformer 结构右为 Uni2TS 时间序列预测中的专家混合机制演进差异只讲它们改了什么Moirai-MoEFFN 换成专家池 门控路由改动集中在前馈层。每个 FFN 变成一组并行专家门控对每个 token 做 top-k 路由只激活少数专家、按路由权重加权输出实现见 ffn.py。单 token 计算量约等于同规模稠密模型容量却接近更大的稠密模型多样性数据上收益明显。Moirai2单 patch 编码器 分位数输出头Moirai2 走精简加现代化的路线见 module.py单一固定 patch_size 代替多尺度集合编码器换用 RMSNorm、SiLU 与 QK 归一化时间位置用旋转投影。最大的变化在输出层——直接回归 0.1 到 0.9 共 9 个分位数推理拿到的是分位数序列适合需要不确定性区间的场景。性能佐证分布内 MAE 与零样本 CRPSUni2TS 各模型在 Monash 数据集上的分布内预测聚合 MAE 对比Monash 基准29 个数据集中Moirai-MoE 的聚合 MAE 在多数场景领先序列越长、模式越杂优势越明显。各模型零样本预测的平均 CRPS 与 MASE 对比零样本预测场景下Moirai-MoE base 档的平均 CRPS 约 0.478在参比模型中位居前列MASE 同步占优。机制亮点多特征融合与滚动评估Uni2TS 时间序列预测中目标序列与动态特征的关系示意多特征融合动态协变量和目标序列一起喂给模型每类特征投影成独立通道max_dim 上限 128外部驱动明显的业务销量、流量收益更大。Uni2TS 滚动评估中上下文窗口与预测窗口的滑动关系滚动评估窗口逐步滑动每步只允许用截至当时的历史指标逐步累加。它模拟真实上线节奏得到的数字比一次性单点预测更可信。场景映射算力 × 数据多样性 × 精度你的处境推荐单机卡或 CPU 推理、数据单一Moirai small/base微调成本最低多频率、多领域混合、想零样本直接用Moirai-MoE专家路由专为多样性设计需要分位数输出、或跟进前沿架构Moirai2改动集中在编码与输出头快速开始git clone https://gitcode.com/gh_mirrors/un/uni2ts配置都在 Hydra 目录里预训练超参见 moirai_base.yaml评估组合在 cli/conf/eval/ 下改完参数用 cli/train.py 与 cli/eval.py 直接跑。三款模型共用同一套数据管线与配置体系切换成本很低。建议先用 Moirai base 在你的目标数据集上跑一版基线再按算力、数据多样性、精度三条轴逐档对比用实测数字代替猜测做决策。【免费下载链接】uni2tsUnified Training of Universal Time Series Forecasting Transformers项目地址: https://gitcode.com/gh_mirrors/un/uni2ts创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
Uni2TS 三款时间序列预测模型选型指南Moirai、Moirai-MoE 还是 Moirai2【免费下载链接】uni2tsUnified Training of Universal Time Series Forecasting Transformers项目地址: https://gitcode.com/gh_mirrors/un/uni2tsUni2TS 是一套统一训练的时间序列预测 Transformer 框架一个代码库、三款模型Moirai、Moirai-MoE、Moirai2。选型前先想清楚你的算力、数据多样性和精度要求这篇文章给你一条直接的路。三款模型10 秒速查决策表模型规模档位核心机制适用场景Moiraismall 384/6 层、base 768/12 层、large 1024/24 层多尺度 patch 混合分布输出常规预测、微调、资源受限Moirai-MoEsmall、base 两档专家混合 门控路由多样数据、零样本预测、高精度Moirai2代码级配置未见三档发布分位数输出头 单 patch 编码器前沿试验、需要分位数结果共同基础统一训练、多尺度 patch 与混合分布三款模型跑在同一个训练框架上数据统一打包、掩码建模一套权重应对多种频率与领域这就是统一训练的含义。输入侧用多尺度 patch8、16、32、64、128 可选秒级到天级的序列共用一套编码器不必为每种频率单独建模。输出侧是四分布混合头——Student-t、Normal、负二项、LogNormal 各管一段连续、计数、长尾数据都有对应的分布通道概率预测能力由此而来。Moirai-MoE 架构图左为标准 Transformer 结构右为 Uni2TS 时间序列预测中的专家混合机制演进差异只讲它们改了什么Moirai-MoEFFN 换成专家池 门控路由改动集中在前馈层。每个 FFN 变成一组并行专家门控对每个 token 做 top-k 路由只激活少数专家、按路由权重加权输出实现见 ffn.py。单 token 计算量约等于同规模稠密模型容量却接近更大的稠密模型多样性数据上收益明显。Moirai2单 patch 编码器 分位数输出头Moirai2 走精简加现代化的路线见 module.py单一固定 patch_size 代替多尺度集合编码器换用 RMSNorm、SiLU 与 QK 归一化时间位置用旋转投影。最大的变化在输出层——直接回归 0.1 到 0.9 共 9 个分位数推理拿到的是分位数序列适合需要不确定性区间的场景。性能佐证分布内 MAE 与零样本 CRPSUni2TS 各模型在 Monash 数据集上的分布内预测聚合 MAE 对比Monash 基准29 个数据集中Moirai-MoE 的聚合 MAE 在多数场景领先序列越长、模式越杂优势越明显。各模型零样本预测的平均 CRPS 与 MASE 对比零样本预测场景下Moirai-MoE base 档的平均 CRPS 约 0.478在参比模型中位居前列MASE 同步占优。机制亮点多特征融合与滚动评估Uni2TS 时间序列预测中目标序列与动态特征的关系示意多特征融合动态协变量和目标序列一起喂给模型每类特征投影成独立通道max_dim 上限 128外部驱动明显的业务销量、流量收益更大。Uni2TS 滚动评估中上下文窗口与预测窗口的滑动关系滚动评估窗口逐步滑动每步只允许用截至当时的历史指标逐步累加。它模拟真实上线节奏得到的数字比一次性单点预测更可信。场景映射算力 × 数据多样性 × 精度你的处境推荐单机卡或 CPU 推理、数据单一Moirai small/base微调成本最低多频率、多领域混合、想零样本直接用Moirai-MoE专家路由专为多样性设计需要分位数输出、或跟进前沿架构Moirai2改动集中在编码与输出头快速开始git clone https://gitcode.com/gh_mirrors/un/uni2ts配置都在 Hydra 目录里预训练超参见 moirai_base.yaml评估组合在 cli/conf/eval/ 下改完参数用 cli/train.py 与 cli/eval.py 直接跑。三款模型共用同一套数据管线与配置体系切换成本很低。建议先用 Moirai base 在你的目标数据集上跑一版基线再按算力、数据多样性、精度三条轴逐档对比用实测数字代替猜测做决策。【免费下载链接】uni2tsUnified Training of Universal Time Series Forecasting Transformers项目地址: https://gitcode.com/gh_mirrors/un/uni2ts创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
