Cisco Time Series Model vs TimesFM2.0多分辨率改进带来的性能飞跃【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 TimesFM2.0 架构开发的单变量零样本预测基础模型通过创新性的多分辨率改进实现了时间序列预测性能的显著提升。该模型采用解码器-only transformer 层结构专为高效处理长上下文时间序列数据设计能够同时接收两种分辨率的输入上下文x_c 和 x_f其中 x_c 的分辨率是 x_f 的 60 倍两者长度均可达到 512输出为 128 个细分辨率预测点及相应分位数。核心架构创新多分辨率机制如何超越传统模型Cisco Time Series Model 在 TimesFM2.0 基础上引入了两大关键改进分辨率嵌入Resolution Embeddings和特殊标记Special Token这些创新使模型能够更有效地利用不同时间尺度的信息。图展示分辨率嵌入和特殊标记创新的多分辨率模型架构图传统的 TimesFM2.0 模型采用单一分辨率输入难以同时捕捉长期趋势和短期波动。而 Cisco 模型通过以下机制实现突破双分辨率输入对齐要求 x_c如小时级数据和 x_f如分钟级数据在时间上右对齐确保模型能关联不同尺度的时间特征上下文自动转换提供工具支持将单分辨率长序列最长 30,720 点自动转换为多分辨率输入降低使用门槛混合数据训练在 300B 数据点上进行训练包含 Splunk 内部监控数据50%、GIFT-Eval 数据集30%、Chronos 数据集5%和合成数据15%性能对比多分辨率改进带来的四大优势与 TimesFM2.0 相比Cisco Time Series Model 通过多分辨率设计实现了显著性能提升1. 长上下文处理效率提升传统模型在处理超过 512 点的长序列时需通过滑动窗口截断导致上下文信息丢失。Cisco 模型通过 60:1 的分辨率配比可等效处理长达 512×6030,720 点的单分辨率数据在保持计算效率的同时保留完整时间上下文。图带填充 1 小时上下文的多分辨率时间序列示例展示不同尺度数据的对齐方式2. 预测准确性增强在内部测试中Cisco 模型在多分辨率数据集上的 MAE平均绝对误差比 TimesFM2.0 降低 12-18%尤其在以下场景表现突出包含明显日/周周期的时间序列需要同时考虑长期趋势和短期波动的预测任务数据存在不同程度噪声的工业监控场景3. 输入灵活性提高模型支持两种使用方式直接提供多分辨率输入x_c, x_f通过工具自动从单分辨率序列生成多分辨率上下文这种灵活性使模型能适应不同的数据采集条件无需用户手动处理分辨率转换。4. 部署适应性更强针对工业场景需求模型做了以下优化支持缺失值填充建议使用最后值填充当填充比例超过 30% 时性能可能下降对粗分辨率历史数据有更好的利用能力支持批量预测和长 horizon 预测示例中展示了 240 点预测快速上手极简安装与基础使用一键安装步骤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基础预测代码示例import torch import numpy as np from modeling import CiscoTsmMR, TimesFmHparams, TimesFmCheckpoint # 准备输入序列示例数据 T 512 * 60 # 30720点单分辨率数据 hours (T 59) // 60 k np.arange(hours, dtypenp.float32) h (80 0.1 * k) * (1 0.25 * np.sin(2 * np.pi * k / 24)) t np.arange(T, dtypenp.float32) input_series h[(t // 60).astype(int)] * (1 0.05 * np.sin(2 * np.pi * t / 30)) # 模型配置与加载 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, use_resolution_embeddingsTrue, use_special_tokenTrue, ) # 生成预测 forecast_preds model.forecast(input_series, horizon_len128) mean_forecast forecast_preds[0][mean] # 128点预测结果最佳实践与注意事项为获得最佳预测效果建议遵循以下使用指南数据准备建议尽量提供完整的历史数据模型对短输入的处理效果可能下降当数据存在缺失时优先使用最后值填充方法对于稀疏时间序列填充比例超过 30%建议先进行数据清洗或考虑其他建模方案模型参数调整根据数据特征调整 horizon_len 参数默认 128 点预测多序列预测时可批量输入提高处理效率GPU 环境能显著加速模型推理backendgpu结果解读说明模型输出包含均值预测和分位数0.1-0.9结果分位数结果目前未经过严格校准建议仅作为预测不确定性的参考技术报告与引用信息Cisco Time Series Model 的详细技术细节可参考 arXiv 论文。如果您在研究中使用该模型请引用以下文献misc{gou2025ciscotimeseriesmodel, title{Cisco Time Series Model Technical Report}, author{Liang Gou and Archit Khare and Praneet Pabolu and Prachi Patel and Joseph Ross and Hercy Shen and Yuhan and Song and Jingze Sun and Kristal Curtis and Vedant Dharnidharka and Abhinav Mathur and Hao Yang}, year{2025}, eprint{2511.19841}, archivePrefix{arXiv}, primaryClass{cs.LG}, }通过多分辨率架构的创新设计Cisco Time Series Model 为时间序列预测任务提供了更强大、更灵活的解决方案特别适合工业监控、物联网数据等需要同时考虑多尺度时间特征的应用场景。无论是研究人员还是工程师都能通过该模型快速构建高精度的时间序列预测系统。【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
)
