AWS Chronos

时间序列预测对于零售、能源、金融和医疗保健等行业的决策至关重要。然而，开发基于机器学习的精准预测模型传统上需要大量针对特定数据集的调优和模型定制。

亚马逊Chronos是亚马逊科学团队开发的预训练时间序列预测模型库。它基于T5架构，通过将时间序列数据转换为令牌序列，以学习时间序列的“语言”，从而实现概率性时间序列预测。

与大型语言模型或视觉语言模型一样，Chronos 是一个基础模型，它从大型数据集中学习如何生成适用于各种任务的通用表示。 Chronos 背后的关键理念是将时间序列数据视为一种语言，并利用现成的 Transformer 架构进行建模。为了将实值时间序列观测值标记化为固定词汇表，先按绝对平均值对时间序列进行缩放，然后将缩放后的时间序列量化为固定数量的均匀分布的区间。

工作原理：

• 时间序列Tokenize：先对时间序列值进行缩放，通常以历史窗口的时间序列均值为分母标准化序列，再将缩放后的数据离散化，通过定义分桶边界值，将数据映射为相应桶号。同时引入用于填充时间序列，标识序列结束。
• 优化目标：不同于传统时间序列模型采用MSE回归损失优化，Chronos直接使用交叉熵作为优化目标，将回归问题转化为分类问题，即根据前序令牌预测下一个令牌为各个结果的概率，最后根据预测的桶号ID反离散化并反缩放，得到最终预测结果。

模型特点：

• 零样本预测能力：经过对40多个数据集评估，零样本预测模型性能优于经典统计预测模型和专用深度学习模型，能从未见过的数据集中生成预测结果。
• 概率预测：训练完成后，可通过自回归采样多个未来轨迹来获得概率预测，还支持分位数输出。
• 通用性强：适用于各种复杂的时间序列预测任务，如销售预测、能源消耗预测或设备故障预警等，可帮助开发者构建灵活的预测解决方案。

模型版本：Chronos共有5种型号，分别是tiny、mini、small、base和large，用户可根据数据集大小和任务需求选择，如面对小数据集时，可选择响应速度更快的tiny模型。

Chronos时间模型可应用于金融、交通、能源等多个领域：

• 股票价格预测：股票价格受市场趋势、宏观经济状况等多种因素影响，预测难度大。Chronos模型可将历史股票价格数据转换为标记序列并输入模型，使其学习价格规律和趋势。例如，使用Chronos-T5 (Large)模型预测标普500指数成分股的价格，其预测准确性远高于线性回归和ARIMA等传统模型，能帮助投资者和金融机构更明智地决策。
• 交通流量预测：城市交通拥堵问题严重，准确预测交通流量有助于制定合理管理策略。以Chronos-T5 (Large)模型为例，将历史交通流量数据转换为标记后输入模型，可预测未来交通流量。相比传统预测方法，该模型能更准确地捕捉交通流量变化规律，帮助交通管理部门提前规划，缓解拥堵。
• 电力需求预测：能源行业中，电力系统的调度与优化需要准确预测电力需求。Chronos-T5 (Tiny)模型可根据历史电力需求数据进行训练，预测未来电力需求情况，辅助电力公司合理安排发电计划，提升能源利用效率，减少资源浪费。
• 货物流量预测：物流行业涉及大量的货物运输和库存管理，Chronos-T5 (Tiny)模型可通过对历史货物流量数据的分析，预测不同时间段、不同地区的货物流量，帮助物流企业优化运输路线，合理安排库存，降低物流成本，提高运输效率。
• 设备维护周期预测：在智能制造领域，设备的稳定运行至关重要。Chronos模型可根据设备运行过程中的各种时间序列数据，如温度、振动频率等，预测设备的维护周期，帮助企业提前准备备件，安排维护计划，减少设备故障停机时间，提高生产效率。