Timestral от Mistral: прогноз рядов на телефоне

Что в ролике
Для прогноза временных рядов — расхода энергии, продаж, сезонных метрик — модель Timestral от Mistral предсказывает новые данные без обучения на ваших исторических данных (zero-shot). Модель выпущена в четырёх размерах — от 5 млн до 209 млн параметров, и самая маленькая занимает 20,8 МБ, поэтому её можно конвертировать в ONNX и гонять в браузере телефона. На первом датасете (отдельный трансформатор) большая Timestral показала среднюю абсолютную ошибку 3,192, улучшив результат LightGBM (3,865) и Amazon Chronos 2 (3,299), но прогноз занял 17,53 секунды на CPU. Вариант на 5 млн параметров сделал то же за 0,83 секунды с ошибкой 3,318, а 28-миллионная версия обошла Chronos 2 с результатом 3,272. Во втором тесте на данных целой энергосистемы с температурой как ковариатой Timestral показала 59,8 против 90,1 у Chronos 2, но большая версия считала 87,2 секунды, тогда как 28-миллионная — 15–16 секунд. Прогноз выдаётся не одним числом, а распределением с квантилями, что позволяет видеть диапазон правдоподобных значений. В браузере модель запускается через сторонний сайт Timestral in the browser на ONNX, автор показал работу на Samsung Galaxy S25 Ultra без API и облака.
Практика
- Что получишь
- Открытую модель для прогнозирования временных рядов: можно запускать на CPU или в браузере телефона, без обучения и API, и получать прогноз с диапазоном правдоподобных значений.
- Первый шаг
- Поставьте Python-пакет timestral, выберите размер модели (например 5 млн) и передайте исторический ряд и горизонт в метод predict.
- Цифры
- —5 млн параметров — размер самой маленькой версии, файл весит 20,8 МБ и выдаёт прогноз за 0,83 секунды на CPU
- —3,192 — средняя абсолютная ошибка большой Timestral на первом тесте против 3,299 у Amazon Chronos 2
- —59,8 — ошибка большой Timestral с температурной ковариатой на втором тесте против 90,1 у Chronos 2
- —168 часов — горизонт прогноза (неделя) в обоих экспериментах автора
- Честно
- Готового кода примеров в ролике нет — видны только фрагменты кода на экране, а браузерная демка — сторонний проект, который при первом запуске скачивает модель. Заявления о лучших результатах основаны на бенчмарке, выбранном самой Mistral, а в конце автор продвигает свои услуги фрилансера и призывает подписаться на канал.
Если слова незнакомы — 6 терминов
- zero-shotпрогноз на новых данных без дообучения модели
- ковариатадополнительный ряд, например температура, который модель учитывает для улучшения прогноза
- квантильточка на шкале вероятностей; медиана — 50-й квантиль, центральный прогноз
- ONNXоткрытый формат модели, который позволяет запускать её в браузере и на телефоне
- LightGBMбиблиотека градиентного бустинга для табличных данных, классический бейзлайн в прогнозах
- Chronos 2другая открытая модель временных рядов от Amazon, с которой сравнивают Timestral
Понадобится экран
Часть информации есть только на экране (код в терминале). Открыть на YouTube с 6:46.
Связки из этого ролика
2 шт.- Python
- Hugging Face
Компоненты
5 шт.Цитаты-доказательства
дословно из субтитров- And for this we use the time stra package.6:46
- the actual forecasting is quite simple. You say forecast is equal to forecaster. You provide the context which is the uh data that you have up until the cutoff point. to the input data and then you say predict for the next 168 hours7:01
- It gives us 21 quantiles. So a probability distribution and the median of that is the center the middle one7:18
Формат: сборка на живом примере · для практикующих · уверенность разметки 0.8 · источник