不只是点预测：Granite-TimeSeries-FlowState-R1-NPU分位数预测入门指南

不只是点预测：Granite-TimeSeries-FlowState-R1-NPU分位数预测入门指南

【免费下载链接】granite-timeseries-flowstate-r1-npu项目地址: https://ai.gitcode.com/atlasleong/granite-timeseries-flowstate-r1-npu

传统时间序列预测通常只输出一个"点预测"数值，但真实世界的未来充满不确定性——库存该备多少、电力负荷该预留多少、流量峰值会落在哪里，这些决策都需要知道"可能的范围"，而不只是一个平均值。分位数预测正是为此而生：它输出未来多个概率分位点，让你知道预测值以多大的置信度落在某个区间。Granite-TimeSeries-FlowState-R1-NPU 就是一款开箱即用的零样本时序基础模型，它在昇腾 NPU 上一次前向同时给出点预测与 9 个分位数（0.1~0.9），是入门分位数预测的理想实践项目。

分位数预测和点预测到底有什么区别？📊

点预测输出的是序列未来的"期望值"，而分位数预测输出的是多个概率分位点。两者最大的差异在于：分位数预测把不确定性量化了出来。

对比维度	点预测	分位数预测
输出内容	一个期望值	9 个分位点（0.1~0.9）
表达能力	无法表达不确定性	可构造预测区间
典型场景	趋势预估、均值统计	库存管理、容量规划、风险控制
决策价值	告诉你"会是多少"	告诉你"有多少概率落在哪个区间"

比如用 0.1 和 0.9 两个分位数，就能构造出 80% 置信区间——这是点预测永远给不了的信息。这也是本项目名中"不只是点预测"的含义所在。

零样本时序基础模型：FlowState 是什么？

Granite-TimeSeries-FlowState-R1 是 IBM Research 开源的 FlowState 时序基础模型（r1.0），也是首个时间尺度可调（time-scale adjustable）的时序基础模型。它由 S5 状态空间模型（SSM）编码器与 Legendre 函数基解码器组成，能把观测序列映射到尺度不变的系数空间再做连续预测，从而在不重新训练的情况下适配不同采样率的数据。

• 参数量仅约 906 万，解码器只占 13%，堪称"小而强" 🚀
• 无需微调即可做零样本单变量预测
• 输入(batch, 2048, 1)的上下文窗口，输出未来 96 步

模型结构与训练细节可参考model/README.md，权重配置见model/config.json。

一次前向，如何拿到 9 个分位数输出？

这是本项目最值得关注的地方：inference.py只做一次前向，就能同时拿到两类输出：

• prediction_outputs：点预测，形状(batch, 96, 1)
• quantile_outputs：分位数预测，形状(batch, 9, 96, 1)，对应[0.1, 0.2, ..., 0.9]九个分位点

也就是说，同一个模型、同一组权重、同一时刻，点预测与分位数预测是协同输出的。0.5 分位数（中位数）是最稳健的中心估计，而 0.1 与 0.9 的差值则刻画了预测的不确定性宽度。

下面是模型在昇腾 NPU 上的真实推理验收结果截图，可以看到输入序列、点预测输出以及设备信息一目了然：

昇腾 NPU 上运行分位数预测模型的快速上手步骤 🛠️

本项目是一个自包含推理交付仓库：模型快照、建模源码与推理入口全部收拢在delivery/内，inference.py不依赖任何外部临时文件。运行环境为 openEuler + CANN 8.5.1 + torch_npu 2.9.0，模型主前向固定跑在逻辑设备npu:0上，禁止 CPU 回退。

git clone https://gitcode.com/atlasleong/granite-timeseries-flowstate-r1-npu cd granite-timeseries-flowstate-r1-npu pip install --ignore-installed --no-deps -r requirements.txt python3 inference.py

运行后你会看到类似这样的关键标记：

INPUT_DEVICE=npu:0 MODEL_DEVICE=npu:0 CPU_FALLBACK=false FORECAST=-0.204462,-0.173393,... FORECAST_SHAPE=2,96,1 QUANTILE_OUTPUTS_SHAPE=2,9,96,1 NPU_FORWARD_MS=1629.774 EXIT_CODE=0

其中QUANTILE_OUTPUTS_SHAPE=2,9,96,1就直观地告诉你：9 个分位数的预测通道已经真实产出。NPU_FORWARD_MS约 1.63 秒的单次前向耗时（含 warmup）也说明这套方案在昇腾设备上性能相当稳定。

下图展示了分位数预测模型在昇腾 NPU 上的设备调用状态，8 卡 910B4 全部健康在线，模型进程由 python3.11 承载：

从 Model Agent 到验收结果：全流程真实可复现 ✅

这套交付不是"拍脑袋"写出来的，而是由 Model Agent 走完从模型导入、推理执行到结果验证的完整适配工作流，全程真实运行、真实截图、禁止伪造。验证结果显示：精度对比中最大绝对误差仅约2.4e-5，10 个独立子进程、共 1920 个输出元素离散一致率达到 10/10。

分位数预测实践建议：scale_factor 参数怎么选？

FlowState 最妙的地方在于时间尺度可调。针对不同采样率的数据，推荐按如下scale_factor取值（详见model/README.md）：

采样率	推荐 scale_factor
15 分钟	0.25
30 分钟	0.5
小时级	1.0
日级（有周周期）	3.43
日级（无周周期）	0.0656
周级	0.46
月级	2

计算公式也很简单：scale_factor = 24 / N，其中 N 是数据的季节周期长度。另外建议预测步数不要超过 30 个季节，否则预测质量会明显下降。

结语：让预测从"一个数"变成"一个区间" 🎯

Granite-TimeSeries-FlowState-R1-NPU 用约 900 万参数、一次前向，同时给出点预测和 9 个分位数，把分位数预测的入门门槛降到了最低：克隆仓库、装好依赖、一行命令，就能在昇腾 NPU 上得到带不确定性的预测结果。无论你是做电力负荷预测、库存优化还是流量容量规划，把"点预测思维"升级为"分位数区间思维"，都会让你的决策多一层安全边际。从本项目开始，体验"不只是点预测"的时序预测新方式吧！

【免费下载链接】granite-timeseries-flowstate-r1-npu项目地址: https://ai.gitcode.com/atlasleong/granite-timeseries-flowstate-r1-npu