企业官网建设流程全解析

Cisco Time Series Model vs TimesFM2.0：多分辨率改进带来的性能飞跃

【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

Cisco Time Series Model 是一款基于 TimesFM2.0 架构开发的单变量零样本预测基础模型，通过创新性的多分辨率改进实现了时间序列预测性能的显著提升。该模型采用解码器-only transformer 层结构，专为高效处理长上下文时间序列数据设计，能够同时接收两种分辨率的输入上下文（x_c 和 x_f），其中 x_c 的分辨率是 x_f 的 60 倍，两者长度均可达到 512，输出为 128 个细分辨率预测点及相应分位数。

核心架构创新：多分辨率机制如何超越传统模型

Cisco Time Series Model 在 TimesFM2.0 基础上引入了两大关键改进：分辨率嵌入（Resolution Embeddings）和特殊标记（Special Token），这些创新使模型能够更有效地利用不同时间尺度的信息。

图：展示分辨率嵌入和特殊标记创新的多分辨率模型架构图

传统的 TimesFM2.0 模型采用单一分辨率输入，难以同时捕捉长期趋势和短期波动。而 Cisco 模型通过以下机制实现突破：

• 双分辨率输入对齐：要求 x_c（如小时级数据）和 x_f（如分钟级数据）在时间上"右对齐"，确保模型能关联不同尺度的时间特征
• 上下文自动转换：提供工具支持将单分辨率长序列（最长 30,720 点）自动转换为多分辨率输入，降低使用门槛
• 混合数据训练：在 300B+ 数据点上进行训练，包含 Splunk 内部监控数据（50%）、GIFT-Eval 数据集（30%）、Chronos 数据集（5%）和合成数据（15%）

性能对比：多分辨率改进带来的四大优势

与 TimesFM2.0 相比，Cisco Time Series Model 通过多分辨率设计实现了显著性能提升：

1. 长上下文处理效率提升

传统模型在处理超过 512 点的长序列时需通过滑动窗口截断，导致上下文信息丢失。Cisco 模型通过 60:1 的分辨率配比，可等效处理长达 512×60=30,720 点的单分辨率数据，在保持计算效率的同时保留完整时间上下文。

图：带填充 1 小时上下文的多分辨率时间序列示例，展示不同尺度数据的对齐方式

2. 预测准确性增强

在内部测试中，Cisco 模型在多分辨率数据集上的 MAE（平均绝对误差）比 TimesFM2.0 降低 12-18%，尤其在以下场景表现突出：

• 包含明显日/周周期的时间序列
• 需要同时考虑长期趋势和短期波动的预测任务
• 数据存在不同程度噪声的工业监控场景

3. 输入灵活性提高

模型支持两种使用方式：

• 直接提供多分辨率输入（x_c, x_f）
• 通过工具自动从单分辨率序列生成多分辨率上下文

这种灵活性使模型能适应不同的数据采集条件，无需用户手动处理分辨率转换。

4. 部署适应性更强

针对工业场景需求，模型做了以下优化：

• 支持缺失值填充（建议使用最后值填充，当填充比例超过 30% 时性能可能下降）
• 对粗分辨率历史数据有更好的利用能力
• 支持批量预测和长 horizon 预测（示例中展示了 240 点预测）

快速上手：极简安装与基础使用

一键安装步骤

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 # 准备输入序列（示例数据） T = 512 * 60 # 30720点单分辨率数据 hours = (T + 59) // 60 k = np.arange(hours, dtype=np.float32) h = (80 + 0.1 * k) * (1 + 0.25 * np.sin(2 * np.pi * k / 24)) t = np.arange(T, dtype=np.float32) input_series = h[(t // 60).astype(int)] * (1 + 0.05 * np.sin(2 * np.pi * t / 30)) # 模型配置与加载 hparams = TimesFmHparams( num_layers=50, use_positional_embedding=False, backend="gpu" if torch.cuda.is_available() else "cpu", ) ckpt = TimesFmCheckpoint(huggingface_repo_id="cisco-ai/cisco-time-series-model-1.0-preview") model = CiscoTsmMR( hparams=hparams, checkpoint=ckpt, use_resolution_embeddings=True, use_special_token=True, ) # 生成预测 forecast_preds = model.forecast(input_series, horizon_len=128) mean_forecast = forecast_preds[0]['mean'] # 128点预测结果

最佳实践与注意事项

为获得最佳预测效果，建议遵循以下使用指南：

数据准备建议

• 尽量提供完整的历史数据，模型对短输入的处理效果可能下降
• 当数据存在缺失时，优先使用最后值填充方法
• 对于稀疏时间序列（填充比例超过 30%），建议先进行数据清洗或考虑其他建模方案

模型参数调整

• 根据数据特征调整 horizon_len 参数，默认 128 点预测
• 多序列预测时可批量输入，提高处理效率
• GPU 环境能显著加速模型推理（backend="gpu"）

结果解读说明

• 模型输出包含均值预测和分位数（0.1-0.9）结果
• 分位数结果目前未经过严格校准，建议仅作为预测不确定性的参考

技术报告与引用信息

Cisco Time Series Model 的详细技术细节可参考 arXiv 论文。如果您在研究中使用该模型，请引用以下文献：

@misc{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}, }

通过多分辨率架构的创新设计，Cisco Time Series Model 为时间序列预测任务提供了更强大、更灵活的解决方案，特别适合工业监控、物联网数据等需要同时考虑多尺度时间特征的应用场景。无论是研究人员还是工程师，都能通过该模型快速构建高精度的时间序列预测系统。

【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