amazon-science/chronos-forecasting · 上手攻略

仓库：amazon-science/chronos-forecasting
链接：https://github.com/amazon-science/chronos-forecasting
分类：ai · 时间序列预测
作者：Tom
更新：2026-07-15

是什么

Chronos 是亚马逊科学团队开源的时间序列预测预训练模型家族，通过将时间序列 token 化后借助语言模型架构（类 T5）进行训练，实现零样本预测。整个家族经历三代演进：

Chronos（初代）：基于语言模型架构，将时间序列通过缩放+量化转为 token 序列，用交叉熵损失训练；支持概率预测（采样多条轨迹）。上下文最长 512 步，预测长度最多 64 步。
Chronos-Bolt：Patch-based 变体，将历史上下文分 patch 输入 encoder，decoder 直接生成多步分位数预测；比初代快达 250 倍、内存效率提升 20 倍，但仅支持单变量预测。
Chronos-2（最新，2025年10月发布）：120M 参数 encoder-only 模型；支持单变量、多变量、以及带外生变量的协变量感知预测；上下文扩展至 8192 步、预测长度达 1024 步；引入 group attention 机制实现跨序列联合学习；在 fev-bench、GIFT-Eval、Chronos Benchmark II 上均为零样本 SOTA，且对包含外生特征的任务提升最显著。

核心定位：不需要任何本地数据标注，扔进去历史序列就能预测未来——真正开箱即用的 Time Series Foundation Model。

解决什么问题

传统时间序列预测需要针对每个业务场景收集数据、训练专属模型，工程成本极高。Chronos-2 的零样本能力让这一流程完全反转：模型在数十亿时间点的大规模预训练数据（含真实+合成）上已经学会了时间序列的通用模式，直接推理即可，省去： - 数据标注和清洗 - 模型选型和调参 - 单独部署每个场景的专用模型

对于以下场景尤为有价值： - 新业务线冷启动，没有足够历史数据训练专用模型 - 需要快速评估大量 SKU/指标的时间序列走势 - 多产品线、多区域业务需要统一预测基座

快速安装

pip install "chronos-forecasting>=2.0"

建议同时安装可选依赖（用于画图和数据格式）：

pip install "chronos-forecasting[extras]>=2.2" matplotlib

模型从 HuggingFace 自动下载（建议配置 HF_TOKEN 以提升下载速度）：

export HF_TOKEN=your_hf_token_here

核心用法

基础单变量预测（pandas API）

import pandas as pd
from chronos import Chronos2Pipeline

# 加载模型，GPU 推荐；CPU 用 device_map="cpu"
pipeline = Chronos2Pipeline.from_pretrained(
    "amazon/chronos-2",
    device_map="cuda"  # 或 "cpu"
)

# 读取历史数据（长格式 pandas DataFrame）
context_df = pd.read_parquet(
    "https://autogluon.s3.amazonaws.com/datasets/timeseries/electricity_price/train.parquet"
)

# 生成预测
pred_df = pipeline.predict_df(
    context_df,
    prediction_length=24,          # 预测步数
    quantile_levels=[0.1, 0.5, 0.9],  # 分位数
    id_column="id",               # 时间序列 ID 列
    timestamp_column="timestamp", # 时间戳列
    target="target",              # 目标值列
)

返回的 DataFrame 包含每条序列未来每个时间步的预测值和分位数区间（0.1、0.5、0.9 列），可直接用于可视化或接入业务系统。

带协变量的预测（Chronos-2 独有能力）

# 加载测试集，分离未来已知协变量
test_df = pd.read_parquet(
    "https://autogluon.s3.amazonaws.com/datasets/timeseries/electricity_price/test.parquet"
)
future_df = test_df.drop(columns="target")

# 传入 future_df，模型会同时考虑历史和未来协变量
pred_df = pipeline.predict_df(
    context_df,
    future_df=future_df,
    prediction_length=24,
    quantile_levels=[0.1, 0.5, 0.9],
    id_column="id",
    timestamp_column="timestamp",
    target="target",
)

SageMaker 生产部署（推荐生产环境使用）

pip install "autogluon.cloud>=0.5.0"

from autogluon.cloud import TimeSeriesFoundationModel

model = TimeSeriesFoundationModel(model_name="chronos-2")

# 批量预测
forecast_df = model.predict(df, prediction_length=24)

# 部署实时端点
endpoint = model.deploy(instance_type="ml.g5.xlarge")
forecast_df = endpoint.predict(df, prediction_length=24)

模型列表与选型参考

模型	参数量	特点	适用场景
`amazon/chronos-2`	120M	全功能、支持协变量、跨序列学习	通用首选
`autogluon/chronos-2-small`	28M	小型版，资源受限场景	边缘部署
`amazon/chronos-bolt-base`	205M	极快（250x），仅单变量	低延迟单变量
`amazon/chronos-t5-large`	710M	最大 T5 版本	高精度需求
`amazon/chronos-bolt-tiny`	9M	最小模型	极致轻量

注：chronos-2 通过 AWS AutoGluon-Cloud 部署时支持 Serverless 推理，适合不对齐的资源规划场景（2026年6月新功能）。

典型适用场景

多业务线批量预测：几十上百条时间序列，无需逐条调参，直接批量跑零样本预测。
新业务冷启动：历史数据不足（少于几百个点）时，零样本模型往往比数据稀缺的专用模型更准。
零售/电商需求预测：结合促销、节假日等已知未来协变量（如价格、活动标签），输出概率区间供供应链决策。
能源/IoT 时序监控：异常检测基准——预测区间外的数据点即为潜在异常。
金融波动率预测：分位数输出直接给出置信区间，适合风险评估。

坑与注意

数据格式严格：输入必须是长格式 pandas DataFrame，包含 {id_column}（序列标识）、{timestamp_column}（datetime）、{target}（数值）三列；不满足格式会直接报错。建议先做 df.dtypes 检查列类型。
GPU 显存：120M 的 chronos-2 在 FP16 下约需 2-3 GB 显存；CPU 推理速度约比 GPU 慢 10-20 倍，高频实时场景建议上 GPU。
上下文长度并非越大越好：Chronos-2 最大 8192 步，但实践中超过 2048 步后精度收益递减，显存消耗却线性增长；建议根据数据量选择合适的截断窗口。
协变量类型区分： - Past-only covariates（历史已知，如已发生的节假日）：放在 context_df 额外列中 - Future-known covariates（未来已知，如已排期的促销活动）：放在 future_df 中混用会导致预测偏差，文档建议仔细阅读 AutoGluon 协变量教程。
概率输出 ≠ 点预测：pipeline.predict_df() 返回的是分位数，不是均值；需要点预测时取 quantile_levels=[0.5]（中位数）或对多次采样取平均。
环境依赖：HuggingFace Hub 下载模型需要网络畅通；生产环境建议提前 from_pretrained(cache=True) 缓存模型。
数据频率不匹配：Chronos 在预训练时覆盖了多种频率（分钟/小时/日/周/月），但模型对频率的感知依赖时间戳列是否规范；非标准时间戳（如 Unix 整数时间）需先转为 datetime。

与同类对比

方案	零样本	多变量	协变量	概率预测	速度	生产就绪度
Chronos-2	✅	✅	✅ 原生	✅	中（GPU）	高（SageMaker/AutoGluon）
Chronos-Bolt	✅	❌	❌（需外挂）	✅	极快	中
Chronos（初代）	✅	❌	❌	✅	慢	中
Darts（N-BEATS等）	❌ 需训练	部分	需外挂	✅	取决于模型	高
GluonTS	❌ 需训练	✅	✅	✅	取决于模型	高
TinyCharts（微软）	✅	❌	❌	✅	快	低
Lag-Llama	✅ 单变量	❌	❌	✅	中	低

核心差异：Chronos-2 是目前功能最全面的时间序列零样本基础模型，尤其在协变量处理和跨序列学习上有代际优势；但追求极致速度的纯单变量场景可以用 Chronos-Bolt 替代。

一句话推荐结论

如果你需要快速对任意时间序列做高精度预测、尤其是涉及多变量或未来已知协变量的场景，Chronos-2 是目前最值得优先尝试的零样本基础模型——pip 安装、三行代码出结果，生产可直接上 SageMaker 或 AutoGluon-Cloud。

来源

GitHub README：https://github.com/amazon-science/chronos-forecasting
HuggingFace 模型页：https://huggingface.co/amazon/chronos-2
Chronos-2 Quickstart Notebook：https://github.com/amazon-science/chronos-forecasting/blob/main/notebooks/chronos-2-quickstart.ipynb
技术报告 arXiv：https://arxiv.org/abs/2510.15821
AutoGluon-Cloud 部署指南：https://auto.gluon.ai/cloud/stable/tutorials/foundation-model-timeseries.html