Cisco Time Series Model技术报告解读：多分辨率嵌入与特殊标记创新

Cisco Time Series Model技术报告解读：多分辨率嵌入与特殊标记创新

【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是一款基于解码器架构的时间序列基础模型，专注于单变量零样本预测任务。该模型在TimesFM2.0基础上引入多分辨率改进，通过创新的分辨率嵌入和特殊标记技术，实现对长上下文数据的高效利用，为时间序列预测领域带来突破性解决方案。

核心技术创新：多分辨率架构解析

双分辨率输入机制

模型采用独特的双分辨率上下文设计（x_c, x_f），其中粗分辨率（x_c）数据点间隔是细分辨率（x_f）的60倍。两种分辨率序列长度均可达512，且必须严格右对齐——例如细分辨率包含截至11:00的512分钟数据时，粗分辨率需对应包含截至同一时间的512小时数据。这种设计使模型能同时捕捉长期趋势与短期波动。

分辨率嵌入与特殊标记

架构创新点体现在两个关键组件：

• 分辨率嵌入：为不同分辨率序列添加特定嵌入向量，帮助模型区分时间尺度差异
• 特殊标记：在序列中插入专用标记，增强模型对分辨率边界的识别能力

配置文件config.json显示，这些创新通过use_resolution_embeddings: true和use_special_token: true参数启用，与50层解码器transformer架构形成协同效应。

训练数据与性能优化

多样化训练数据集

模型训练数据规模超过300B独特数据点，来源包括：

• 50%：Splunk Observability Cloud内部指标时间序列（35%为1小时/1分钟分辨率，15%为5小时/5分钟分辨率）
• 30%：GIFT-Eval预训练语料库衍生数据
• 5%：Chronos数据集集合
• 15%：合成多分辨率数据

这种混合数据策略确保模型在不同场景下的泛化能力，尤其针对工业级监控数据优化。

模型参数配置

config.json揭示关键参数设计：

• 隐藏层维度：1280
• 注意力头数：16
• 解码器层数：50
• 预测长度：128点（细分辨率）
• 支持分位数预测：0.1至0.9共9个分位

实用指南：从安装到部署

快速安装步骤

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

使用注意事项

• 数据预处理：缺失值建议使用最后值填充，当填充比例超过30%时可能影响预测质量
• 输入长度：提供更长的粗分辨率历史数据通常会获得更好结果，过短输入可能导致性能下降
• 分位数解读：当前分位数未经过严格校准，建议仅作为趋势参考而非精确置信区间

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_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, ) # 生成示例数据并预测 input_series = np.random.randn(512*60).astype(np.float32) # 30720个细分辨率数据点 forecast_preds = model.forecast(input_series, horizon_len=128) mean_forecast = forecast_preds[0]['mean'] # 128点预测结果

技术价值与应用前景

Cisco Time Series Model通过多分辨率设计突破传统时间序列模型的上下文限制，特别适用于：

• 工业监控系统的异常检测
• 能源消耗预测与优化
• 金融市场多尺度趋势分析
• 物联网设备数据流预测

模型开源仓库提供完整PyTorch实现，技术报告可通过arXiv:2511.19841获取。研究人员若使用该模型，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}, }

该模型代表了时间序列预测领域向多尺度建模的重要演进，其创新架构为处理长时序数据提供了新思路，有望在各类时间序列分析场景中发挥重要作用。

【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