Granite Timeseries Ensemble: vier IBM-Modelle prognostizieren gemeinsam

Das Problem: Welches Modell nehmen?

Vortrainierte Zeitreihenmodelle prognostizieren ohne Training auf den eigenen Daten, doch man muss trotzdem eines auswählen. Was bei glatten Industriesignalen glänzt, kann bei verrauschter Nachfrage oder langen saisonalen Horizonten scheitern. IBM Research liefert dafür jetzt einen Standardweg: das Granite Timeseries Ensemble.

Das Rezept

Das Ensemble kombiniert vier Granite-Architekturen (darunter PatchTST-FM-r2, FlowState und Tiny Time Mixers) und liefert Median- sowie Quantilprognosen (standardmäßig 0,1 bis 0,9). Gespeichert wird nur die Konfiguration, die Member-Checkpoints werden zur Laufzeit geladen. Zwei Aggregationsarten stehen zur Wahl:

• Probabilistic Ensemble (Standard): gleiche Gewichte, Quantile werden im Wahrscheinlichkeitsraum gepoolt. Nichts muss gefittet oder getunt werden.
• IQR Ensemble: gewichtet Member nach Prognosestreuung, engere Intervalle zählen mehr. Das kann aber überkonfidente Modelle begünstigen.

Ergebnisse

Auf 97 GIFT-Eval-Konfigurationen ohne Fine-Tuning schlagen beide Ensembles alle vier Einzelmodelle bei MASE und mittlerem MASE-Rang. Das Probabilistic Ensemble kommt auf 0,683 gegenüber 0,685 für PatchTST-FM-r2 – der Vorsprung ist klein, der Gewinn liegt in der Robustheit. Bei CRPS/MWQL behält PatchTST-FM-r2 den besten Aggregatwert. Unter den zulässigen Systemen landet das Ensemble auf Rang 3; manche feingetunte oder nicht permissiv lizenzierte Einträge sind besser.

Einschränkungen

• Multivariate Kanäle werden unabhängig prognostiziert.
• Vier Checkpoints bedeuten mehr Laufzeit und Speicherbedarf.
• Kalibrierung unter Distribution Shift ist nicht garantiert – Backtests auf eigenen Daten bleiben Pflicht.

Das Rezept und die Standard-Member sind permissiv lizenziert; über die gemeinsame Forecaster-Schnittstelle lassen sich auch eigene Modelle einhängen.

Quelle: Ensemble forecasting with IBM Granite time-series models