300B数据训练的Cisco Time Series Model：企业级时间序列预测解决方案

300B数据训练的Cisco Time Series Model企业级时间序列预测解决方案【免费下载链接】cisco-time-series-model-1.0-preview项目地址: https://ai.gitcode.com/hf_mirrors/cisco-ai/cisco-time-series-model-1.0-previewCisco Time Series Model是一款基于解码器架构的企业级时间序列预测基础模型专为零样本单变量预测任务设计。该模型通过创新的多分辨率上下文处理机制能够高效利用长时序数据为企业级监控、金融分析和物联网等场景提供精准的预测能力。核心技术架构解析Cisco Time Series Model基于TimesFM2.0模型架构进行优化引入了分辨率嵌入Resolution Embeddings和特殊标记Special Token等创新设计使其能够同时处理不同时间粒度的数据。模型采用50层解码器结构支持最长30,720点的输入序列输出128点的精细分辨率预测结果及对应的分位数估计。架构图展示了分辨率嵌入和特殊标记的创新设计多分辨率输入机制模型的核心优势在于其独特的多分辨率输入设计。它要求输入包含两种分辨率的上下文数据xc, xf其中xc的分辨率是xf的60倍。例如当xf包含截至11:00的512分钟数据时xc应包含截至同一时间点的512小时数据实现时间维度上的多尺度分析。包含1小时上下文填充的多分辨率时间序列示例训练数据与性能优势该模型在超过300B独特数据点上进行训练数据集包含50%来自Splunk Observability Cloud的内部指标时序数据30%来自GIFT-Eval预训练语料库5%来自Chronos数据集15%合成多分辨率数据这种多样化的数据组合使模型能够适应不同行业的时间序列特征尤其擅长处理企业级监控数据中的周期性波动和异常检测。简单三步上手使用环境准备git clone https://gitcode.com/hf_mirrors/cisco-ai/cisco-time-series-model-1.0-preview cd cisco-time-series-model-1.0-preview pip install -r requirements.txt基础预测代码示例import torch import numpy as np from modeling import CiscoTsmMR, TimesFmHparams, TimesFmCheckpoint # 初始化模型 hparams TimesFmHparams( num_layers50, use_positional_embeddingFalse, backendgpu if torch.cuda.is_available() else cpu, ) ckpt TimesFmCheckpoint(huggingface_repo_idcisco-ai/cisco-time-series-model-1.0-preview) model CiscoTsmMR(hparamshparams, checkpointckpt) # 执行预测 forecast_preds model.forecast(input_series, horizon_len128) mean_forecast forecast_preds[0][mean] # 获取预测均值 quantiles forecast_preds[0][quantiles] # 获取分位数预测使用注意事项缺失值建议使用最后一个有效值进行填充当填充比例超过30%时可能影响预测质量提供更多粗粒度历史数据通常会获得更好的预测效果目前分位数预测尚未经过严格校准建议结合业务场景使用企业级应用场景Cisco Time Series Model特别适用于网络流量监控与异常检测服务器资源使用趋势预测金融市场价格走势分析物联网设备传感器数据预测能源消耗与需求预测该模型支持批量预测和长周期预测能够满足企业级应用的高性能需求。技术报告与引用详细技术细节可参考arXiv论文Cisco Time Series Model Technical Reportmisc{gou2025ciscotimeseriesmodel, title{Cisco Time Series Model Technical Report}, author{Liang Gou and Archit Khare and Praneet Pabolu and Prachi Patel and Joseph Ross and Hercy Shen and Yuhan and Song and Jingze Sun and Kristal Curtis and Vedant Dharnidharka and Abhinav Mathur and Hao Yang}, year{2025}, eprint{2511.19841}, archivePrefix{arXiv}, primaryClass{cs.LG}, }通过结合先进的Transformer架构与创新的多分辨率处理机制Cisco Time Series Model为企业级时间序列预测提供了一个强大而灵活的解决方案帮助企业从海量时序数据中挖掘价值提升决策效率。【免费下载链接】cisco-time-series-model-1.0-preview项目地址: https://ai.gitcode.com/hf_mirrors/cisco-ai/cisco-time-series-model-1.0-preview创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考