🚀 最新消息

• 2025年12月30日：☁️ 使用 Amazon SageMaker 将 Chronos-2 部署到 AWS：新指南涵盖了实时推理（GPU/CPU）、具有自动扩展功能的无服务器端点，以及用于大规模预测的批量转换。请参阅 部署教程。
• 2025年10月20日：🚀 Chronos-2 发布。它为单变量、多变量和协变量驱动的预测任务提供零样本支持。在 fev-bench、GIFT-Eval 和 Chronos Benchmark II 上，Chronos-2 在所有预训练模型中表现最佳。请查看 此笔记本 以开始使用 Chronos-2。
• 2024年12月12日：📊 我们发布了 fev，这是一个基于 Hugging Face datasets 库的轻量级时间序列预测模型基准测试工具包。
• 2024年11月26日：⚡️ Chronos-Bolt 模型已在 HuggingFace 上发布。与相同规模的原始 Chronos 模型相比，Chronos-Bolt 模型精度更高（误差降低 5%），速度最高可快 250 倍，内存效率提高 20 倍！
• 2024年3月13日：🚀 Chronos 论文 (arXiv:2403.07815) 和推理代码发布。

✨ 简介

本软件包提供了对 Chronos 系列 预训练时间序列预测模型 的接口。支持以下模型类型：

• Chronos-2：我们最新的模型，功能显著增强。它为单变量、多变量和协变量驱动的预测任务提供零样本支持。Chronos-2 在多个基准测试中（包括 fev-bench 和 GIFT-Eval）均表现出最先进的零样本性能，尤其是在包含外生特征的任务上表现尤为突出。此外，在与 Chronos-Bolt 的直接对比中，其胜率超过 90%。要了解更多关于 Chronos 的信息，请参阅 技术报告。
• Chronos-Bolt：Chronos 的一种基于分块的变体。它将历史时间序列上下文分割成包含多个观测值的片段，并将其输入编码器。解码器随后利用这些表示直接生成未来多个时间步的分位数预测——这种方法被称为直接多步预测。与相同规模的原始 Chronos 模型相比，Chronos-Bolt 模型的速度最高可快 250 倍，内存效率提高 20 倍。要了解更多关于 Chronos-Bolt 的信息，请参阅这篇 博客文章。
• Chronos：最初的 Chronos 系列，基于语言模型架构。通过缩放和量化，时间序列被转换为一系列标记，然后使用交叉熵损失函数在这些标记上训练语言模型。训练完成后，给定历史上下文，通过采样多种未来轨迹即可获得概率性预测。要了解更多关于 Chronos 的信息，请参阅 论文。

可用模型

📈 使用方法

要使用 Chronos 进行推理，最简单的方式是通过 pip 安装本软件包：

pip install chronos-forecasting

[!提示] 对于可靠的生产环境使用，我们建议通过 Amazon SageMaker JumpStart 使用 Chronos-2 模型。请参阅 此教程 ，了解如何仅用几行代码将 Chronos-2 推理端点部署到 AWS。

预测

一个展示如何使用 Chronos-2 进行预测的最小示例：

import pandas as pd  # 需要：pip install 'pandas[pyarrow]'
from chronos import Chronos2Pipeline

pipeline = Chronos2Pipeline.from_pretrained("amazon/chronos-2", device_map="cuda")

# 加载历史目标值和协变量的过去值
context_df = pd.read_parquet("https://autogluon.s3.amazonaws.com/datasets/timeseries/electricity_price/train.parquet")

# （可选）加载协变量的未来值
test_df = pd.read_parquet("https://autogluon.s3.amazonaws.com/datasets/timeseries/electricity_price/test.parquet")
future_df = test_df.drop(columns="target")

# 使用协变量生成预测
pred_df = pipeline.predict_df(
    context_df,
    future_df=future_df,
    prediction_length=24,  # 预测的步数
    quantile_levels=[0.1, 0.5, 0.9],  # 概率预测的分位数
    id_column="id",  # 用于标识不同时间序列的列
    timestamp_column="timestamp",  # 包含日期时间信息的列
    target="target",  # 用于预测的时间序列值的列
)

现在我们可以可视化预测结果：

import matplotlib.pyplot as plt  # 需要：pip install matplotlib

ts_context = context_df.set_index("timestamp")["target"].tail(256)
ts_pred = pred_df.set_index("timestamp")
ts_ground_truth = test_df.set_index("timestamp")["target"]

ts_context.plot(label="历史数据", color="xkcd:azure", figsize=(12, 3))
ts_ground_truth.plot(label="未来数据（真实值）", color="xkcd:grass green")
ts_pred["predictions"].plot(label="预测", color="xkcd:violet")
plt.fill_between(
    ts_pred.index,
    ts_pred["0.1"],
    ts_pred["0.9"],
    alpha=0.7,
    label="预测区间",
    color="xkcd:light lavender",
)
plt.legend()

示例笔记本

• Chronos-2 快速入门    
• 在 Amazon SageMaker 上部署 Chronos-2

📝 引用

如果您发现 Chronos 模型对您的研究有所帮助，请考虑引用相关论文：

@article{ansari2024chronos,
  title={Chronos: Learning the Language of Time Series},
  author={Ansari, Abdul Fatir and Stella, Lorenzo and Turkmen, Caner and Zhang, Xiyuan, and Mercado, Pedro and Shen, Huibin and Shchur, Oleksandr and Rangapuram, Syama Syndar and Pineda Arango, Sebastian and Kapoor, Shubham and Zschiegner, Jasper and Maddix, Danielle C. and Mahoney, Michael W. and Torkkola, Kari and Gordon Wilson, Andrew and Bohlke-Schneider, Michael and Wang, Yuyang},
  journal={Transactions on Machine Learning Research},
  issn={2835-8856},
  year={2024},
  url={https://openreview.net/forum?id=gerNCVqqtR}
}

@article{ansari2025chronos2,
  title        = {Chronos-2: From Univariate to Universal Forecasting},
  author       = {Abdul Fatir Ansari and Oleksandr Shchur and Jaris Küken and Andreas Auer and Boran Han and Pedro Mercado and Syama Sundar Rangapuram and Huibin Shen and Lorenzo Stella and Xiyuan Zhang and Mononito Goswami and Shubham Kapoor and Danielle C. Maddix and Pablo Guerron and Tony Hu and Junming Yin and Nick Erickson and Prateek Mutalik Desai and Hao Wang and Huzefa Rangwala and George Karypis and Yuyang Wang and Michael Bohlke-Schneider},
  journal      = {arXiv preprint arXiv:2510.15821},
  year         = {2025},
  url          = {https://arxiv.org/abs/2510.15821}
}

🛡️ 安全

更多信息请参阅 CONTRIBUTING。

📃 许可证

本项目采用 Apache-2.0 许可证。

Chronos 时间序列预测快速上手指南

Chronos 是亚马逊推出的一系列预训练时间序列预测模型，支持零样本（zero-shot）推理。本指南将帮助你快速在本地环境中部署并使用最新的 Chronos-2 模型进行预测。

1. 环境准备

在开始之前，请确保你的开发环境满足以下要求：

• 操作系统: Linux, macOS 或 Windows
• Python 版本: 3.8 及以上
• 硬件建议:
  • GPU: 推荐使用 NVIDIA GPU (需安装 CUDA) 以获得最佳推理速度。
  • CPU: 支持 CPU 推理，但速度较慢。
• 前置依赖:
  • pandas (建议安装 pyarrow 支持以加速数据读取)
  • matplotlib (用于可视化结果，可选)

2. 安装步骤

通过 pip 安装官方包。国内用户建议使用清华或阿里镜像源以加速下载。

# 使用默认源安装
pip install chronos-forecasting

# 或者使用国内镜像源加速安装 (推荐)
pip install chronos-forecasting -i https://pypi.tuna.tsinghua.edu.cn/simple

提示: 如果需要可视化功能，请额外安装 matplotlib：

pip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

3. 基本使用

以下是一个最小化的示例，展示如何使用 Chronos-2 模型加载历史数据并生成未来预测。该示例支持单变量及多变量（含协变量）预测。

代码示例

import pandas as pd
from chronos import Chronos2Pipeline

# 1. 初始化模型管道
# device_map="cuda" 表示使用 GPU，若无 GPU 可改为 "cpu"
pipeline = Chronos2Pipeline.from_pretrained("amazon/chronos-2", device_map="cuda")

# 2. 加载历史数据 (上下文)
# 这里以远程 parquet 文件为例，实际使用中可替换为本地路径 pd.read_parquet("local_file.parquet")
context_df = pd.read_parquet("https://autogluon.s3.amazonaws.com/datasets/timeseries/electricity_price/train.parquet")

# 3. (可选) 加载未来的协变量数据
# 如果任务需要外生特征（如节假日、天气等），需提供未来时间段的协变量
test_df = pd.read_parquet("https://autogluon.s3.amazonaws.com/datasets/timeseries/electricity_price/test.parquet")
future_df = test_df.drop(columns="target")

# 4. 生成预测
pred_df = pipeline.predict_df(
    context_df,
    future_df=future_df,       # 若无需协变量，可忽略此参数
    prediction_length=24,      # 预测未来 24 个时间步
    quantile_levels=[0.1, 0.5, 0.9], # 输出分位数，用于概率预测区间
    id_column="id",            # 标识不同时间序列的列名
    timestamp_column="timestamp", # 时间戳列名
    target="target",           # 目标值列名
)

# 查看预测结果前几行
print(pred_df.head())

结果可视化 (可选)

如果你已安装 matplotlib，可以使用以下代码绘制预测结果与真实值的对比图：

import matplotlib.pyplot as plt

# 准备数据
ts_context = context_df.set_index("timestamp")["target"].tail(256)
ts_pred = pred_df.set_index("timestamp")
ts_ground_truth = test_df.set_index("timestamp")["target"]

# 绘图
plt.figure(figsize=(12, 3))
ts_context.plot(label="historical data", color="xkcd:azure")
ts_ground_truth.plot(label="future data (ground truth)", color="xkcd:grass green")
ts_pred["predictions"].plot(label="forecast", color="xkcd:violet")

# 绘制预测区间
plt.fill_between(
    ts_pred.index,
    ts_pred["0.1"],
    ts_pred["0.9"],
    alpha=0.7,
    label="prediction interval",
    color="xkcd:light lavender",
)

plt.legend()
plt.show()

可用模型列表

除了默认的 amazon/chronos-2 (120M 参数)，你还可以根据资源情况选择其他模型：

• 轻量级: autogluon/chronos-2-small (28M)
• 高速版: amazon/chronos-bolt-base (比原版快 250 倍)
• 超大版: amazon/chronos-t5-large (710M)

只需将 from_pretrained 中的模型 ID 替换为上述名称即可。