迪卡侬用 Chronos-2 在 AWS 上实现大规模需求预测

Decathlon 是全球最大的体育用品零售商之一，拥有超过 10万名员工和 4亿用户。该公司依赖大规模的高精度需求预测，以确保在客户需要时各门店有合适的商品供应。在评估了多个时间序列基础模型（TSFM）后，Decathlon 选择 Chronos-2 作为其预测体系的核心组件。

本文将分享 Decathlon 如何在 AWS 上大规模运行 Chronos-2 的架构设计、对供应链业务的影响，以及其他企业采用基础模型进行预测的实践经验。

Decathlon 的预测挑战

精准的需求预测是零售供应链运营的基石。对 Decathlon 而言，这一挑战因业务的规模和多样性而更加突出：数万种产品覆盖 80多项体育项目，销售网络横跨多个大洲，需求模式具有强烈的季节性。一双滑雪手套和一块冲浪板的基本需求信号截然不同，但两者都必须被准确预测，以避免缺货或积压。

Decathlon 的预测系统用于预测所有产品在未来两个关键周期的每周销售量。第一个是 12 周补货窗口，供采购计划员向合作伙伴订货使用。第二个是 52 周战略周期，用于长期库存预测和产能规划。预测系统每周在这两个周期上运行，部署覆盖多个供应区域，包括欧洲、印度、中国、东南亚（SEA）、拉丁美洲（LATAM），以及即将拓展的中东和非洲。每个区域覆盖最多 2.5 万种产品。

既往方案及其局限性

Decathlon 的需求预测系统历经多年演进：

2021–2024：采用混合方案，使用 Amazon SageMaker AI DeepAR 处理短期预测周期（第 1–16 周），Holt-Winters 指数平滑处理长期周期（第 17–52 周）。DeepAR 每周重新训练以适应近期趋势变化。

2024 至今：引入带协变量的 Temporal Fusion Transformer（TFT），在长期预测精度上有所提升。

虽然这些方案运作良好，但存在运维负担：系统需要每周重新训练，且在拓展新区域时无法轻松扩展，需要额外的工程工作。团队需要一个能在更低运维复杂度下实现更高精度的解决方案。

为什么选择 Chronos-2：模型评估与选型

时间序列基础模型（FMs）的兴起带来了预训练模型的承诺——无需在领域数据上从头训练就能超越经典方法。但一个关键问题仍然存在：这些模型在 Decathlon 特定的零售数据集上表现如何？

为此，Decathlon 在其自有零售数据上设计了严格的、大规模基准测试，对多个 TSFM 与其生产基线进行评估。

评估设计：

• 101 个滚动截断点，覆盖近 2 年时间（第 48 周至第 44 周）
• 每个截断点约 2.5 万种唯一产品（整个评估期共 3.9 万条唯一产品时间序列）
• 12 周和 52 周周期，周频预测
• 主要指标：12 周和 52 周周期的加权绝对百分比误差（WAPE），辅以均方根误差（RMSE）、偏差和成对胜率

完整的基准测试结果（包括多款 TSFM 的对比），请参阅 Decathlon 在 Medium 上发布的详细分析。

Decathlon 对多款 TSFM 进行了零样本（zero-shot）和微调两种配置的评估。在 Decathlon 发布的基准测试结果中，微调后的 Chronos-2 在两个预测周期上一致地超越了所有其他被评估的模型。即使在零样本模式下，它也能匹配或超越完全训练的生产基线。微调进一步将预测误差降低了数个百分点。

零样本的可行性：多款 TSFM 达到或接近 Decathlon 现有生产模型（每周重新训练）的性能，无需任何领域特定的训练。

微调带来显著收益：即使采用低频微调策略（每 6 个月一次），微调也能显著提升性能。微调后的 Chronos-2 在短期（12 周）和长期（52 周）两个预测周期上都展现了最低误差。

计算效率：Chronos-2 可以在 CPU 和 GPU 上运行，满足基准测试的效率要求——每个截断点对 2.5 万种产品的推理时间在 2 分钟以内。

除了原始精度之外，Chronos-2 通过其分组注意力机制原生支持协变量是一个关键差异化特性。与大多数需要变通方案的 TSFM 不同，Chronos-2 原生整合协变量。领先一筹的精度、优雅的协变量处理架构，以及高效的微调机制，使 Chronos-2 成为 Decathlon 生产体系的不二之选。

解决方案架构

Decathlon 在 AWS 上生产部署 Chronos-2 的设计追求高效、成本经济和可靠。

下图展示了需求预测流水线的高层架构。PySpark 数据准备流水线负责组装输入时间序列。每 6 个月，一个基于 AutoGluon 构建的微调任务将 Chronos-2 适配到最新数据，并将生成的模型注册到 MLflow 模型注册表。在间隔的几周内，这一步会被跳过。推理流水线获取最新注册的模型并运行每周批量预测，PySpark 展示流水线将预测结果交付给下游消费者。

基础设施与部署模式

该架构使用 Amazon EC2 实例进行批量推理，由 Databricks 任务触发。数据流水线通过 Decathlon 现有数据平台上的 Airflow 进行编排。微调过程使用 Low-Rank Adaptation（LoRA），通过 AutoGluon Chronos 集成实现高效适配，无需全量模型重新训练。模型每 6 个月在最新数据上自动微调一次，不同供应区域的模型通过 MLflow 记录和版本化管理，并配有特定的超参数。

Chronos-2 技术概览

Chronos-2 是一款纯编码器 transformer，紧密遵循 T5 编码器设计。它有多个变体，包括基础模型（amazon/chronos-2）——拥有 1.2 亿参数，以及小型模型（autogluon/chronos-2-small）——拥有 2800 万参数。与原始 Chronos 将数值量化为离散 token 不同，Chronos-2 对每个序列应用鲁棒缩放，然后将每个序列分割为不重叠的 patch，通过残差网络映射为实值嵌入。预测由分位数头生成连续分位数结果。关键的架构创新在于交替注意力模式。每个 transformer block 在时间注意力（沿单个序列的时间轴）和分组注意力（在同一 patch 索引上跨组内各序列）之间交替。

下图阐释了此设计。相关时间序列及其协变量被归为一组。信息在同一序列内沿时间维度以及同一组内各序列之间交换，从而实现原生多变量预测与协变量支持。

Chronos-2 快速上手

截至本文撰写时，Chronos-2 模型已在 Hugging Face 上被下载超过 1.2 亿次，并通过 AutoGluon-Cloud 或 Amazon SageMaker JumpStart 向 Amazon SageMaker AI 客户开放。

以下代码改编自 GitHub 上的 Chronos-2 快速入门 notebook，演示如何运行带协变量支持的推理。在生产环境中，Decathlon 使用 AutoGluon Chronos 集成进行微调和推理编排，API 略有不同：

import pandas as pd
from chronos import BaseChronosPipeline, Chronos2Pipeline

# Load the Chronos-2 pipeline
pipeline: Chronos2Pipeline = BaseChronosPipeline.from_pretrained(
    "amazon/chronos-2",
    device_map="cpu"
)

# Historical data
df = pd.read_csv("sales.csv")  # columns: item_id, timestamp, sales, price, store_count

# Data available during the forecast horizon
future_df = pd.read_csv("future.csv")  # columns: item_id, timestamp, price, store_count

prediction_length = 52
forecast = pipeline.predict_df(df, future_df, target="sales", prediction_length=prediction_length)

使用 AutoGluon 微调

Decathlon 使用 AutoGluon-TimeSeries 来微调和部署 Chronos-2。通过 AutoGluon，您可以简化端到端的机器学习工作流，从数据准备到模型训练和部署。使用其 TimeSeries 模块的高级 API，只需几行代码即可完成数据格式化、协变量管理和 LoRA 微调：

# pip install autogluon.timeseries
from autogluon.timeseries import TimeSeriesDataFrame, TimeSeriesPredictor

tsdf = TimeSeriesDataFrame.from_data_frame(df, id_column="item_id", timestamp_column="timestamp")
future_tsdf = TimeSeriesDataFrame.from_data_frame(future_df, id_column="item_id", timestamp_column="timestamp")

predictor = TimeSeriesPredictor(
    prediction_length=52,  # forecast horizon
    target="sales",  # column to forecast
    known_covariates_names=["price", "store_count"],  # features known in the future
)

predictor.fit(
    tsdf,
    hyperparameters={
        "Chronos2": {
            "model_path": "amazon/chronos-2",
            "fine_tune": True,  # Turn on fine-tuning; if False the model is used in zero-shot mode
        }
    },
)

predictor.predict(tsdf, known_covariates=future_tsdf)

结果与业务影响

Decathlon 从三个维度衡量 Chronos-2 部署的影响：预测精度、业务成果和运维效率。

预测精度提升

Decathlon 部署的微调版 Chronos-2 在各区域和两个预测周期上均实现了显著的精度提升，与此前使用的旧预测工具相比：

pp = 百分点

在 12 周预测周期上，WAPE 每改善 1 个百分点，意味着：

• 节省 0.3 天的库存，减少流动资金和仓储成本
• 产品可获得性提升 0.3 个百分点，减少货架缺货
• 每获得 1 个百分点的可获得性提升，销售额增加 0.4 个百分点，折算为每 WAPE 百分点约带来 0.12 个百分点的销售额提升（各区域平均）

在补货周期上实现 11–15 个百分点的 WAPE 改善，对库存效率、可获得性和收入的复合效应是相当可观的。

运维效率

除了精度提升之外，迁移到 Chronos-2 还从多个维度降低了运维负担：

将部署时间从 6 个月缩短至 2–3 个月，对 Decathlon 拓展新市场的能力影响尤为显著。使用 Chronos-2，团队只需在本地历史数据上运行微调，即可将预测能力部署到新区域，无需重新设计架构。

Chronos-2 已投入生产，用于东南亚和拉丁美洲供应区域，上述结果也来自这两个区域。Decathlon 现正将方案扩展到其余供应区域，目标在 2026 年实现全区域生产部署，中东和非洲为下一批拓展目标。

结论与经验教训

Decathlon 的实践表明，时间序列基础模型，尤其是 Chronos-2，已经准备好用于生产级别的零售需求预测。通过将严格的模型评估流程与高效的 LoRA 微调相结合，Decathlon 在 12 周预测周期上实现了 11–15 个百分点的 WAPE 改善。与此同时，团队将每个区域的部署时间从 6 个月缩短至 2–3 个月。对于正在评估将基础模型用于预测的零售商而言，Decathlon 的经验提供了一个可操作的参考模板。

基于自有数据进行基准测试：全球排行榜有助于筛选候选模型，但模型排名在特定领域数据上可能差异显著。在 Decathlon 的案例中，某些在全球排名较高的模型在零售分布数据集上表现更差。在 2.5 万种产品和 101 个截断点上进行的测试还发现，Chronos-2 配合 AutoGluon 的简洁微调流程是一个决定性优势，将一个强大的零样本模型转变为明确的领先者。

微调释放全部潜力：即使低频微调（每 6 个月一次）配合 Low-Rank Adaptation（LoRA）也比零样本推理有可衡量的精度提升。强大的预训练基础与领域自适应相结合，才是制胜之道。

从小处着手，迭代推进：Decathlon 从单一微调模型的生产部署起步，逐步添加协变量。这种务实的方法降低了风险，同时尽早交付价值。

基础模型让预测民主化：Chronos-2 在单个 m6i.8xlarge CPU 实例上运行，对 7000–15000 条时间序列的推理时间为 40–75 秒，使得在此规模上实现预测无需 GPU 基础设施成为可能。每周推理运行成本约 0.03 美元，计算成本几乎可以忽略不计。

展望未来，Decathlon 计划在生产中部署 Mixture of Experts（MoE）集成方法。基准测试表明，组合多个 TSFM 一致性地超越了单一最佳模型——在其他模型仍在约 40% 的产品上胜出。团队还将拓展至中东和非洲区域，并整合价格、天气等外部数据作为协变量。此外，他们正在探索 Chronos-2 的跨学习能力，用于冷启动产品。

如需探索 Chronos-2 在您自有预测用例中的应用，或了解更多关于 Chronos-2 的信息，请访问 Amazon Science 博客文章、研究论文，或尝试快速入门 notebook。如需使用 AutoGluon 进行微调，请参阅 AutoGluon Chronos 教程。