Timestral：无需额外训练的时间序列预测，中央处理器推理

1. 可迁移到新数据的预测模型

Timestral 将从多种时间序列中预先学到的模式应用于新数据。这使其有别于拟合单条序列历史的传统模型，以及针对每个数据集从头训练的深度学习模型。对未见过的数据无需额外训练即可进行预测的方式称为零样本预测。

2. 公开评测的排名与比较范围

公司表示，在预训练零样本模型中，该系列在三项公开预测评测的五项指标上均排名第 1。这一成绩来自单次训练的结果，而非将多个模型的输出进行集成。

公司已向 GIFT-Eval 和 TIME 提交评测结果。

据其介绍，在这两项评测中，参数量为 2800 万的模型优于规模约为其 4 倍的 Chronos-2。

另一项评测是 fev-bench。包含完整结果的技术报告计划稍后发布，因此这些排名应被视为公司在发布时提供的评测结果。

据介绍，最大模型拥有 2 亿 900 万个参数，以此前最佳模型约三分之二的规模取得了更好的结果。公司表示，其参数量少于 TimesFM-3 和 Falcon-2.0，表现却领先。参数量衡量的是模型规模，并不等于实际运营成本。

3. 大小选择是准确性与延迟的权衡

模型有四种大小，参数量分别为 500 万、2800 万、1 亿 2300 万和 2 亿 900 万。公司称，它们的架构与训练方式相同，大模型的预测性能更高，小模型则更快、成本更低。

在标准服务器中央处理器上使用 8 个线程，以间隔 15 分钟的 3 周历史数据预测未来一天时，500 万参数模型的延迟为 10 毫秒，最大模型为 140 毫秒。公司未提供具体处理器型号。

在同一推理性能说明中，公司称 2800 万参数模型的速度为最大模型的 5 倍，1 亿 2300 万参数模型的延迟为最大模型的四分之三，得分差距在 0.2% 以内。公司未提供中间两款模型以毫秒计的实测值，也未说明该得分对应的具体指标。

选择小模型可以缩短推理时间、降低成本，但会牺牲部分准确性。因此，比起最大模型的排名，依据实际数据的预测误差和更新周期来选择大小更为合理。

4. 处理联动数值与未来条件

多变量预测是对泵的振动、温度、压力等相关序列进行联合预测的方式。它并非单独预测各个传感器，而是利用彼此的变化。

输出不是单一预测值，而是 21 个分位数。分位数以不同概率位置的数值表示预测分布，团队可据其范围设定考虑不确定性的告警阈值。

输入可包含仅在过去已知的辅助变量，以及生产计划等未来值预先已知的辅助变量。它也能直接接收星期、设备状态等类别值，因此无需将其转换为数字，赋予任意的顺序或大小。

在内部，模型将观测历史保留在上下文中用于预测，并区分辅助变量的作用，防止预测目标的未来值泄漏。它先用合成数据训练，再混合真实与合成数据进行后训练，最大输入上下文为 32,768 个时间点。

5. 应用于自有数据及运营注意事项

公司公开了可使用自有数据运行的 GitHub 仓库，但发布公告未提供运行代码或调用方法。

许可证标为 Modified MIT，但未提供详细条款。

通过 Mistral Forge，可选择使用自有数据进行额外训练、调整训练数据构成或扩展架构。

部署形式包括自有设施、虚拟私有云及与外部网络隔离的环境，完整训练流水线也可部署在客户硬件上。

公开评测的成绩不一定能在生产现场保持。若设备老化或需求变化导致数据特征改变，可能需要针对现场重新训练。无需额外训练即可起步虽有益处，但运营阶段仍需进行数据管理与适应工作。

Timestral 降低了开始预测的门槛，但部署决策仍需同时考虑模型大小和对现场数据的适应。