IBM Granite Timeseries Ensemble: Vier Zeitreihenmodelle in einem Prognose-Rezept
IBM bündelt vier offene Granite-Zeitreihenmodelle zu einem Ensemble, das ohne Nachtraining Median- und Quantilprognosen liefert. Es soll die Modellwahl ersparen. Im GIFT-Eval-Benchmark ist der Vorsprung vor dem besten Einzelmodell klein, die Robustheit der Vorteil.
Worum es geht
IBM Research hat auf Hugging Face das „Granite Timeseries Ensemble R1“ veröffentlicht. Es ist kein neues Modell mit eigenen Gewichten, sondern ein Rezept, das vier vortrainierte Granite-Zeitreihenmodelle kombiniert. Vortrainierte Zeitreihenmodelle können Prognosen für neue Daten ohne eigenes Training liefern („Zero-Shot“), doch man muss sich für eines entscheiden. Genau diese Wahl will das Ensemble ersetzen: Es liefert Median- und Quantilprognosen aus einem Aufruf, ohne Nachtraining und ohne gefittete Gewichte.
Die vier Mitglieder
Die Idee kommt aus der Wettervorhersage, wo mehrere Modelle gemeinsam einen Bereich möglicher Ergebnisse abdecken. Die Mitglieder unterscheiden sich in der Architektur, sodass ihre Fehler nicht zusammenfallen sollen:
| Modell | Architektur |
|---|---|
| Granite PatchTST-FM-r1 | Patched Transformer |
| Granite PatchTST-FM-r2 | Patched Conformer |
| Granite FlowState-r1.1 | State-Space-Modell |
| Granite TTM-r3 | Tiny Time Mixers (MLP-Mixer) |
Das Repository enthält nur die Ensemble-Konfiguration. Die vier Checkpoints werden beim ersten Aufruf von ihren eigenen Hugging-Face-Repos geladen, dafür braucht man Zeit und Speicherplatz.
Zwei Kombinationsmethoden
Probabilistic Ensemble (Standard, linear_pool): Jedes Mitglied hat gleichen Einfluss. Die Quantilwerte aller Mitglieder (bei neun Quantilen von 0,1 bis 0,9 sind das 36 Werte) werden zu einer Sammlung zusammengeführt, aus der die gewünschten Quantile gezogen werden. Es gibt nichts zu fitten. Das stützt sich auf das „Forecast Combination Puzzle“: Einfache Gleichgewichtung schlägt oft geschätzte Gewichte. Uneinigkeit der Mitglieder fließt in die Prognosebreite ein. Kalibrierung ist nicht garantiert, die Prognosen können zu breit werden.
IQR Ensemble (iqr_weighted): Mitglieder mit engeren Intervallen bekommen mehr Gewicht, berechnet je Stichprobe, Ziel und Horizontschritt, wieder ohne Anpassung an historische Fehler. Eine isotone Regression verhindert sich kreuzende Quantile. Ein enges Intervall bedeutet nicht automatisch höhere Genauigkeit, und überzuversichtliche Mitglieder können bevorzugt werden. Einstellbar sind Temperatur (höher = gleichmäßigere Gewichte), ein Maximalgewicht und Prior-Gewichte.
Ergebnisse auf GIFT-Eval
Bewertet wurde auf 97 GIFT-Eval-Konfigurationen ohne Fine-Tuning; Testdaten dienten nicht zur Auswahl der Methode. Stand der Leaderboard-Werte: 20. Oktober 2026. MASE (Punktprognose) und CRPS/MWQL (probabilistisch) sind auf Seasonal Naive normiert, niedriger ist besser.
| Prognose | MASE | MASE-Rang | CRPS | CRPS-Rang |
|---|---|---|---|---|
| Ensemble Prob | 0,683 | 47,175 | 0,471 | 50,948 |
| Ensemble IQR | 0,684 | 48,773 | 0,471 | 47,619 |
| PatchTST-FM-r2 | 0,685 | 51,371 | 0,467 | 48,918 |
| FlowState-r1.1 | 0,701 | 66,474 | 0,490 | 69,485 |
| PatchTST-FM-r1 | 0,717 | 74,794 | 0,488 | 68,134 |
| TTM-r3 | 0,724 | 83,062 | 0,520 | 88,959 |
Beide Ensembles schlagen alle vier Einzelmodelle bei MASE und MASE-Rang. Der MASE-Vorsprung vor PatchTST-FM-r2 ist klein; der Nutzen liegt laut IBM in der Robustheit. PatchTST-FM-r2 hat den besten CRPS-Wert, das IQR Ensemble den besten CRPS-Rang. Unter den berechtigten Systemen liegt das Ensemble auf Platz 3 bei MASE- und CRPS-Rang; einige Systeme, etwa feintunte oder nicht permissiv lizenzierte, sind besser.
Erweiterbarkeit und Lizenzen
Die gemeinsame Forecaster-Schnittstelle akzeptiert auch externe kompatible Modelle (unterstützte Typen: patchtst, flowstate, ttm). Zusätzlich gibt es „expanded“-Rezepte mit IBM-Research-Checkpoints, die eigene, teils nicht-kommerzielle Lizenzen haben und vorher geprüft werden müssen.
Was du zum Ausprobieren brauchst
Installiert wird mit pip install "granite-tsfm>=0.3.11". Konkrete Hardware-Angaben nennt die Quelle nicht. Die Modelle gelten als vergleichsweise klein (TTM ist ein leichtes Modell), eine Ausführung auf normalem Rechner dürfte denkbar sein, ist aber nicht belegt. Plane Zeit und Speicher für den Download von vier Checkpoints ein; Laufzeit und Speicher sind höher als bei einem Einzelmodell. Ein Beispiel-Notebook ist verlinkt.
Einordnung
Das Ensemble ist ein pragmatischer Standard für Teams, die Zeitreihen prognostizieren und keine Modellauswahl treffen wollen. Es gewinnt nicht das Leaderboard, und der Gewinn gegenüber dem besten Einzelmodell ist gering. Kritisch bleiben: unabhängige Behandlung mehrerer Kanäle ohne Querinformation, höhere Latenz, fehlende Garantie für Kalibrierung und Robustheit bei Verteilungsverschiebungen. IBM empfiehlt Backtests mit Vergleich gegen PatchTST-FM-r2, Prüfung der Intervallabdeckung (nominell 80 % für 0,1–0,9) sowie Messung von Laufzeit und Speicher. Die Zahlen sind Herstellerangaben aus offiziellen Leaderboard-Einreichungen.
Quellen
- Hugging Face Blog huggingface.co
Selbst ausprobieren: Granite Timeseries Ensemble r1
Schritt für Schritt erklärt, auch ohne Vorkenntnisse – auf deinem Rechner oder kostenlos im Browser.
Was kann ich damit machen?
Du gibst eine Zeitreihe ein, etwa Sensor-, Verkaufs- oder Energiedaten, und erhältst eine Punktprognose sowie Quantile (0,1 bis 0,9) für die Zukunft. Du musst dich nicht für ein einzelnes Modell entscheiden und musst nichts nachtrainieren.
Für wen lohnt es sich?
Lohnt sich für Analysten und Entwickler, die schnell eine solide Prognose-Basis brauchen. Weniger passend, wenn Kanäle voneinander abhängen oder wenn Latenz und Speicher knapp sind.
Was dein Rechner braucht
Für dieses Modell gibt es keine verlässlichen Größenangaben. Die genauen Anforderungen stehen in der Model Card.
Starte mit dem Standardrezept (Probabilistic Ensemble, Repo-Wurzel). Vergleiche danach `recipes/granite-iqr` und PatchTST-FM-r2 auf deinen Daten. Die expanded-Rezepte nur für Forschung nutzen, wegen Lizenzbeschränkungen.
- Beim ersten Lauf werden vier Member-Checkpoints heruntergeladen: Zeit und Speicherplatz einplanen.
- Vier Modelle erhöhen Laufzeit und Speicher gegenüber einem Einzelmodell.
- Konkrete VRAM-Angaben nennt die Quelle nicht.
- Prüfe die Logs auf Mitglieder-Ausfälle, sonst wird das Rezept still verändert.
Wie finde ich heraus, was mein Rechner hat?
- Windows: Strg + Umschalt + Esc drücken → Task-Manager → Reiter Leistung → links GPU anklicken. Unten steht Dedizierter GPU-Speicher (das ist dein VRAM). Den Arbeitsspeicher findest du unter Arbeitsspeicher.
- Mac: Apfel-Menü oben links → Über diesen Mac. Dort stehen Chip (z. B. M2) und Speicher (z. B. 16 GB). Bei Apple-Chips teilen sich Grafik und Prozessor diesen Speicher.
- Linux: Im Terminal
nvidia-smieingeben (zeigt Grafikkarte und Speicher) undfree -hfür den Arbeitsspeicher.
Anleitung
Google Colab (im Browser, ohne Installation)
Google Colab ist ein kostenloser Dienst von Google: Du bekommst für ein paar Stunden einen Rechner mit Grafikkarte im Browser. Du brauchst nur ein Google-Konto.
- Notebook herunterladen. Klick auf den Knopf und speichere die Datei.
- Colab öffnen. Geh auf colab.research.google.com und melde dich mit deinem Google-Konto an.
- Notebook hochladen. Im Fenster, das erscheint, links auf Hochladen klicken (oder oben Datei → Notebook hochladen) und die Datei
colab.ipynbauswählen. - Grafikkarte einschalten. Oben im Menü Laufzeit → Laufzeittyp ändern → bei Hardwarebeschleuniger T4-GPU auswählen → Speichern.
- Alles starten. Laufzeit → Alle ausführen (Tastenkürzel Strg + F9). Kommt die Warnung „Dieses Notebook wurde nicht von Google erstellt“, auf Trotzdem ausführen klicken.
- Warten. Die Zellen laufen nacheinander durch. Links neben jeder Zelle erscheint ein grüner Haken, wenn sie fertig ist. Installation und Download dauern meist 3–10 Minuten.
- Ausprobieren. Das Ergebnis steht unter der letzten Zelle. Um etwas anderes zu testen, den Text in der Zelle ändern und mit Shift + Enter erneut ausführen.
- Aufräumen. Wenn du fertig bist: Laufzeit → Sitzung beenden. Das schont dein kostenloses Kontingent.
Gut zu wissen: Die Gratis-GPU ist begrenzt (meist einige Stunden am Tag). Nach rund 90 Minuten ohne Aktivität trennt Colab die Verbindung, dann alles neu starten.
Windows 10 / 11
Dieses Modell läuft mit Python. Unser Skript erledigt die Einrichtung automatisch: Es legt eine abgeschottete Python-Umgebung an, installiert die nötigen Programme (PyTorch, ca. 3 GB) und lädt das Modell.
- Grafikkartentreiber aktualisieren (NVIDIA): aktuellen Treiber installieren. Ohne NVIDIA-Karte läuft es auf dem Prozessor – deutlich langsamer.
- Python installieren. Auf python.org Python 3.12 herunterladen und starten. Wichtig: Unten im ersten Fenster das Häkchen bei Add python.exe to PATH setzen, dann Install Now.
- Ordner anlegen und Dateien laden. Einen Ordner erstellen, z. B.
Dokumente\KI-Test, und beide Dateien hineinspeichern: - Terminal im Ordner öffnen. Den Ordner im Explorer öffnen, Rechtsklick auf eine freie Stelle → In Terminal öffnen.
- Starten. Diesen Befehl einfügen und Enter drücken:
Jetzt laufen Installation und Download. Das kann beim ersten Mal 10–30 Minuten dauern.powershell -ExecutionPolicy Bypass -File try_windows.ps1 - Ergebnis. Das Modell liegt im Unterordner
models. Wie es genau benutzt wird, steht in der Model Card auf Hugging Face. - Nochmal mit eigener Eingabe:
demo.pymit dem Editor öffnen, den Beispieltext ändern, speichern. Dann im Terminal:.\.venv-granite-timeseries-ensemble-r1\Scripts\Activate.ps1 python demo.py
macOS
Ideal sind Macs mit Apple-Chip (M1 bis M5). Ältere Intel-Macs sind sehr langsam.
- Terminal öffnen. Cmd + Leertaste, Terminal eintippen, Enter.
- Entwicklerwerkzeuge installieren (nur beim ersten Mal, liefert Python mit):
Im Fenster auf Installieren klicken. Kommt „already installed“, ist alles schon da.xcode-select --install - Dateien herunterladen – beide landen im Ordner Downloads:
- Starten:
Installation und Download dauern beim ersten Mal 10–30 Minuten.cd ~/Downloads bash try_mac.sh - Ergebnis. Das Modell liegt im Unterordner
models. Wie es genau benutzt wird, steht in der Model Card auf Hugging Face.
Linux
- Grafikkarte prüfen.
nvidia-smisollte deine Karte anzeigen. Wenn nicht, unter Ubuntu den Treiber installieren und neu starten:sudo ubuntu-drivers install - Python-Grundlagen installieren (Ubuntu/Debian):
sudo apt update && sudo apt install -y python3-venv python3-pip git - Dateien in einen Ordner laden und dort ein Terminal öffnen:
- Starten:
bash try_linux.sh - Ergebnis. Das Modell liegt im Unterordner
models. Wie es genau benutzt wird, steht in der Model Card auf Hugging Face.
Das kannst du ausprobieren
Prognostiziere die nächsten 24 Stunden der Öltemperatur (OT) aus dem ETTh1-Datensatz mit context_length=1024.Lade das IQR-Rezept (recipes/granite-iqr) und vergleiche den 80-%-Bereich mit dem Standardrezept auf meinen Verkaufsdaten.Setze die Quantile auf 0,1/0,25/0,5/0,75/0,9 und temperature=0,8 für die IQR-Gewichtung.Wenn es hakt
Version prüfen: granite-tsfm muss mindestens 0.3.11 sein.
Das erste Laden dauert, weil vier Checkpoints geladen werden.
Wenn ein Mitglied ausfällt, läuft das Ensemble mit den übrigen weiter und die Ergebnisse sind nicht mehr reproduzierbar.
Lizenzen der expanded-Rezepte (IBM Research) vor kommerzieller Nutzung prüfen.
„out of memory“, Absturz oder der Rechner hängt
Das Modell ist zu groß für deinen Grafikspeicher. Nimm eine kleinere Variante aus der Tabelle oben und schließe andere Programme, vor allem Spiele und Browser mit vielen Tabs.
Es läuft, aber extrem langsam
Wahrscheinlich rechnet der Prozessor statt der Grafikkarte. Bei Ollama zeigt ollama ps in der Spalte PROCESSOR, wie viel auf der GPU läuft. Steht dort „100% CPU“, Grafiktreiber aktualisieren oder eine kleinere Variante nehmen, die komplett in den Grafikspeicher passt.
„ollama“ bzw. „python“ wird nicht gefunden
Das Eingabefenster schließen und neu öffnen, damit es das frisch installierte Programm kennt. Bei Python unter Windows: neu installieren und das Häkchen Add python.exe to PATH setzen.
Windows: „Die Ausführung von Skripts ist auf diesem System deaktiviert“
Das Skript genau mit dem Befehl oben starten: powershell -ExecutionPolicy Bypass -File try_windows.ps1. Das erlaubt die Ausführung nur dieses einen Mal.
Fehlermeldung beim Laden des Modells (Version, „trust_remote_code“, unbekannte Architektur)
Ganz neue Modelle brauchen oft die neueste Programmversion. Bei Ollama: Ollama aktualisieren. Bei Python: pip install -U transformers in der aktivierten Umgebung. Die Model Card nennt meist die genaue Version.
Skripte und Notebook erzeugt Tokenstrom automatisch. Bitte vor dem Ausführen kurz ansehen – sie sind lesbarer Klartext. Lizenz des Modells beachten: apache-2.0.
