IBM 用四模型集成简化时序预测
Granite Timeseries Ensemble 组合四种架构的预训练模型，无需拟合即可汇总点预测和分位数预测。配置不包含合并权重，首次运行需下载各模型，依赖 granite-tsfm 0.3.11 及以上版本。
AI 深度解读
IBM Research 给时间序列预测提供了一种省去选模型的方案：让四个预训练 Granite 模型一起预测，再合并结果。它想解决的是拿到一批数据后，不知道哪种架构更适合的问题。
但这不是一次精度大幅领先的发布。IBM 自己也承认，集成相对最佳单模型的优势很小。真正值得看的是：它怎样降低模型选择的成本，以及这种便利需要付出多少推理开销。
四个模型一起跑，省掉了哪一步
Granite Timeseries Ensemble 已发布在 Hugging Face，默认组合四种架构：
- Granite PatchTST-FM-r1 使用分块 Transformer。
- PatchTST-FM-r2 使用分块 Conformer。
- FlowState-r1.1 使用状态空间模型。
- TTM-r3 使用 Tiny Time Mixers，也就是 MLP mixer。
预训练预测器可以不经过业务数据训练就生成预测，但不同架构适合的数据未必相同。集成的思路是把它们的判断合起来，减少提前押中某个模型的需要。
这里保存的是集成配置，没有把四套权重融合成一个模型。运行时仍要下载四个成员的检查点，因此首次运行更慢；安装要求为 granite-tsfm 0.3.11 或更高版本。
默认输出包括点预测和分位数预测，分位数范围为 0.1 到 0.9。其中，0.1 与 0.9 分位数围出的区间，名义覆盖率是 80%。它表达的是预期有多少真实值落在区间内，实际覆盖率还需要验证。
默认等权，为什么不优先相信区间更窄的模型
推荐方案叫 Probabilistic Ensemble。四个成员影响相同，汇集各自的分位数预测，不需要拟合，也没有待调的权重。
另一个方案是 IQR Ensemble，它给预测分布更窄的成员更高权重。直觉上，区间窄像是模型更有把握，但有把握不等于判断正确：一个过度自信的模型，也可能持续给出很窄却偏离真实值的区间。IBM 明确提示了这个风险。
预测区间更窄，不能直接当成预测更准。
这也是默认等权方案的价值：在还没有业务回测证据时，它少引入了一层关于模型可信度的假设。
基准有小幅收益，却没有全面胜出
IBM 在 97 个 GIFT-Eval 数据集配置上评估了两种方案，没有微调，采用的是 2026 年 10 月 20 日记录的排行榜分数。
以下指标均为越低越好：
| 指标 | Probabilistic Ensemble | IQR Ensemble | PatchTST-FM-r2 |
|---|---|---|---|
| MASE | 0.683 | 0.684 | 0.685 |
| CRPS/MWQL | 0.471 | 0.471 | 0.467 |
MASE 衡量点预测误差，CRPS/MWQL 则用于评估概率预测。结果很清楚：集成的 MASE 略好，但概率预测分数仍由单模型 PatchTST-FM-r2 领先。
平均排名又呈现出不同结果：在展示的六个预测结果中，IQR Ensemble 的 CRPS 平均排名最好，Probabilistic Ensemble 的 MASE 平均排名最好。按符合比较条件的系统统计，集成方案在 MASE Rank 和 CRPS Rank 上都排第 3；部分被排除的微调系统或非宽松许可系统，得分更好。
所以，不能把这次结果概括成集成全面超过单模型。IBM 主张的是稳健性：不知道哪种架构适合数据时，仍有机会获得相近或更好的整体表现。
我的判断
我认可把它作为省去首轮选型的候选，但现有数据不足以证明它是一般团队的最优默认值。最佳单模型已经非常接近，而加载四个检查点会增加推理时间和内存。原文没有给出具体开销数据，无法判断这点精度收益是否划算。
还有一个业务边界：当前方案虽然处理多变量序列，却逐个通道独立预测，不利用通道之间的信息。如果任务依赖多个指标的联动，这一点需要单独评估。
成员之间的上下文长度、预测跨度、预处理和缺失值处理也不同。两种聚合方法都不能保证数据分布变化后，预测区间仍保持原来的覆盖率。
接口设计则比较实用：统一的 Forecaster 接口允许接入兼容的外部模型，更换成员或聚合方法时可以保持输出格式。IBM 称默认配方和成员采用宽松许可，但仓库里的扩展配方包含另有条款的检查点，涉及非商业和研究用途限制，不能直接沿用默认组合的许可判断。
能拿来做什么
- 如果准备把时间序列预测接进业务服务，先按实际预测跨度切分历史窗口，在相同窗口上比较 Probabilistic Ensemble、IQR Ensemble 和一个强单模型，避免直接照搬排行榜结论。
- 回测时同时记录 MASE 和分位数损失，并检查真实值落在 0.1 到 0.9 区间内的比例，是否接近名义上的 80%。
- 将运行时间、内存和首次加载成本一起纳入选型。如果单模型效果接近，四模型增加的服务成本就是需要认真权衡的部分。
- 上线后持续监控误差和区间覆盖率；更换成员或采用扩展配方前，逐一检查模型卡中的能力边界与许可条款。