IBM'den zaman serisi modeli: Granite PatchTST-FM-r2 Apache 2.0 lisansıyla yayında
IBM, yaklaşık 385 milyon parametreli Granite Time Series PatchTST-FM-r2 modelini ticari kullanıma açık lisansla yayımladı.
IBM, Granite zaman serisi ailesinin yeni üyesi Granite Time Series PatchTST-FM-r2 modelini Hugging Face üzerinde yayımladı. Model Apache 2.0 ve OpenMDW 1.0 lisanslarıyla dağıtılıyor, yani ticari kullanıma açık. Selefi PatchTST-FM-r1'e göre mimarisi yenilendi, ön eğitim veri kümesi büyütüldü; olasılıksal tahmin ve eksik değerlerin doldurulması (imputation) desteği eklendi.
Model yaklaşık 385 milyon parametre taşıyor ve 8.192 adıma kadar bağlam uzunluğunu destekliyor. Zaman serisi temel modellerinin amacı, her veri kümesi için ayrı model eğitmek yerine önceden eğitilmiş tek bir modelle sıfır atışlı (zero-shot) tahmin üretmek.
GIFT-Eval sonuçları
IBM'in aktardığına göre 8 Eylül 2026 itibarıyla model, GIFT-Eval sıralamasında yeniden üretilebilir ve sıfır atışlı modeller arasında hem CRPS hem MASE metriklerinde ikinci sırada. Geometrik ortalama CRPS değeri 0,467, MASE değeri 0,6846. Bu kategoride TimesFM-3'ün hemen ardında geliyor; izin verici lisansa sahip modeller arasında ise ilk sırada.
Ön eğitim korpusuna değerlendirme veri kümelerinin eğitim bölümlerini katabilen "pretrained" modeller de karşılaştırmaya eklendiğinde PatchTST-FM-r2 CRPS'te 3., MASE'de 4. sırada yer alıyor. IBM, modelin kendisinden belirgin biçimde büyük olan Chronos-2, Timer-S1 ve Toto varyantlarını geride bıraktığını belirtiyor.
Mimaride ne değişti
PatchTST'nin yama tabanlı gösterimi korunmuş, ancak standart transformer katmanlarının yerini konuşma işlemeden gelen conformer katmanları almış. Bu bloklarda çok başlı öz-dikkatin yanına zamansal evrişim katmanı ve iki yarım adımlık ileri beslemeli katman ekleniyor. Evrişim kısa mesafeli ilişkileri üstlenirken dikkat mekanizması uzun menzilli bağlantılara yoğunlaşıyor. Evrişim çekirdek boyutları {5, 5, 3, 3} düzeninde değişiyor, blok sayısı 20'den 30'a çıkarıldı.
Model ayrıca %50 örtüşen yamalar, Hamming penceresi ağırlıklandırması ve overlap-and-add tahmin yöntemi kullanıyor. Model ağırlıkları, çıkarım hattı ve karşılaştırma sonuçlarını yeniden üretmeye yarayan kod paylaşıldı. Ayrıntılar Hugging Face blog yazısında.
