当前位置：首页 > news >正文

从安装到预测：Moirai-1.0-R-Large完整部署指南（含代码示例）

news 2026/8/7 21:05:38

从安装到预测：Moirai-1.0-R-Large完整部署指南（含代码示例）

【免费下载链接】moirai-1.0-R-large项目地址: https://ai.gitcode.com/hf_mirrors/Salesforce/moirai-1.0-R-large

Moirai-1.0-R-Large是Salesforce开发的大型时间序列预测模型，基于Masked Encoder架构的通用时间序列Transformer，预训练于LOTSA数据集，能高效处理多变量时间序列预测任务。

🌟 模型核心特性解析

Moirai-1.0-R-Large作为时间序列基础模型，具备三大核心优势：

多尺度 patch 处理：支持8/16/32/64/128五种patch尺寸（源自config.json配置），可自适应不同时间粒度数据
混合分布输出：集成Student's t分布、正态分布等四种概率分布（config.json第4-21行），提升预测不确定性量化能力
全自注意力机制：24层Transformer架构（config.json第24行），捕捉长序列依赖关系

图1：Moirai的整体架构展示，包含多变量时间序列的patch划分、嵌入层与Transformer模块

🚀 环境准备与安装步骤

1️⃣ 基础环境要求

Python 3.8+
PyTorch 1.10+
至少8GB显存（推荐16GB以上）

2️⃣ 快速安装流程

# 克隆模型仓库 git clone https://gitcode.com/hf_mirrors/Salesforce/moirai-1.0-R-large cd moirai-1.0-R-large # 创建虚拟环境 virtualenv venv source venv/bin/activate # Linux/Mac # venv\Scripts\activate # Windows # 安装依赖库 pip install -e '.[notebook]'

💡 配置文件详解

模型配置文件config.json包含关键参数：

d_model: 1024（模型隐藏层维度）
num_layers: 24（Transformer层数）
max_seq_len: 512（最大序列长度）
patch_sizes: [8,16,32,64,128]（多尺度patch尺寸）

建议根据数据特性调整patch_size参数，高频数据适合小patch（如8），低频数据适合大patch（如128）。

📊 完整预测代码示例

数据准备

import pandas as pd from gluonts.dataset.pandas import PandasDataset from gluonts.dataset.split import split # 加载示例数据 url = "https://gist.githubusercontent.com/rsnirwan/c8c8654a98350fadd229b00167174ec4/raw/a42101c7786d4bc7695228a0f2c8cea41340e18f/ts_wide.csv" df = pd.read_csv(url, index_col=0, parse_dates=True) # 转换为GluonTS数据集 dataset = PandasDataset(dict(df)) # 划分训练集和测试集 train_data, test_template = split(dataset, offset=-100) # 最后100个时间步作为测试集

模型加载与预测

from uni2ts.model.moirai import MoiraiForecast, MoiraiModule # 加载预训练模型 model = MoiraiForecast( module=MoiraiModule.from_pretrained("Salesforce/moirai-1.0-R-large"), prediction_length=20, # 预测长度 context_length=200, # 上下文长度 patch_size="auto", # 自动选择patch尺寸 num_samples=100 # 预测样本数量 ) # 创建预测器并生成预测 predictor = model.create_predictor(batch_size=32) test_data = test_template.generate_instances( prediction_length=20, windows=5 ) forecasts = predictor.predict(test_data.input)

结果可视化

import matplotlib.pyplot as plt from uni2ts.eval_util.plot import plot_single # 可视化预测结果 input_data = next(iter(test_data.input)) label_data = next(iter(test_data.label)) forecast_data = next(iter(forecasts)) plot_single( input_data, label_data, forecast_data, context_length=200, name="moirai_forecast", show_label=True ) plt.show()