Chronos协变量预测：三步把外部特征喂给模型
【免费下载链接】chronos-forecastingChronos: Pretrained Models for Time Series Forecasting项目地址: https://gitcode.com/GitHub_Trending/ch/chronos-forecasting
只拿历史电价去预测明天的电价，误差很难压下去；把明早的用电负荷与可再生能源发电预测加进去，曲线立刻贴合得多——这是官方快速上手 notebook 里的一个真实对比。下面从最小可运行示例讲起，再到内部处理链路，带你用 Chronos-2 完成协变量预测，学完后能独立给自己的业务数据加一列外部特征跑通全流程。
🧠 先建立心智模型：协变量预测在解决什么问题
时序预测的核心矛盾是：目标序列自身解释不了所有波动。销量在节假日跳升、电价随天气摆动，这些驱动力都活在序列"外面"，单变量模型只能等它们反映进历史里才后知后觉。说白了，协变量预测就是给模型开第二个通道，让它直接看到这些外部信息。
- 目标（target）：要预测的序列，比如销量、电价。
- 协变量（covariate）：影响目标的外部列，分两类——只有历史值的，以及预测窗口内取值已知的。
- 零样本（zero-shot）：不微调，直接用预训练模型对新任务做推理，Chronos-2 官方宣称支持单变量、多变量与协变量预测三种形态。
这个通道在模型里到底怎么接进去的？看源码最清楚。
🐍 最小可运行示例：三步跑出协变量预测
下面这段代码做三件事：加载 Chronos-2 模型，准备历史数据与未来协变量两个 DataFrame，一次predict_df调用拿到预测结果。
import pandas as pd from chronos import Chronos2Pipeline pipeline = Chronos2Pipeline.from_pretrained("amazon/chronos-2") # GPU 推荐，CPU 可传 device_map="cpu" context_df = pd.read_parquet("historical.parquet") # 列：id, timestamp, target, 协变量列 future_df = pd.read_parquet("future.parquet") # 协变量的未来值，不要含 target 列 pred_df = pipeline.predict_df( context_df, future_df=future_df, # 两表都有的列会被视为"已知未来协变量" prediction_length=24, # 预测步数 quantile_levels=[0.1, 0.5, 0.9], # 输出哪些分位数 id_column="id", timestamp_column="timestamp", target="target", )输出还是一个 DataFrame：每行对应一个（序列ID，未来时间戳），列为predictions（点预测，按源码注释实为中位数）加上0.1、0.5、0.9等分位列。
注意这几个坑：
future_df只放协变量列加 id/timestamp；若从测试集截取，先像 README 示例那样drop(columns="target")，混入目标列会干扰处理。- 两个 DataFrame 时间戳必须等间隔、无缺失，
future_df的每条序列恰好覆盖预测窗口，校验不过会直接抛错。 prediction_length别轻易超过模型默认预测窗口，官方源码对超长预测会警告精度可能退化。
⚙️ 关键机制拆解
未来协变量如何并入上下文
输入：目标与协变量的历史序列、协变量的未来取值。处理：在 src/chronos/chronos2/model.py 的_prepare_patched_future中，未来协变量先套用与历史上下文同一套实例归一化参数（loc/scale），NaN 自动生成掩码，再按补丁结构拼接；时间编码上历史是负序号、未来是正序号，以 0 为分界。输出：历史 token 与未来 token 拼成一条序列进编码器，预测末端的表示在注意力中直接"看见"未来协变量。
一句话记忆：未来协变量不是单独喂的，而是贴着历史序列拼成一条序列、共用同一套归一化参数。
缺失值与分类协变量怎么被消化
输入：含 NaN 的协变量列，或文本分类列（如"晴/多云/雨"）。处理：在 src/chronos/chronos2/preprocess.py 中，NaN 默认被自动推断为掩码而非报错；分类列默认走目标编码——按（序列，类别）组合算平滑后的目标均值，NaN 自己占一个槽位，未来出现历史里没有的类别则落到预留的哨兵槽。输出：所有协变量变成与目标同形状的数值张量，数值与掩码分两路进入模型。
一句话记忆：NaN 是"缺失标记"不是错误；文字类别按每序列的类别均值转成数值，没见过的类别有兜底位。
⚖️ 效果与取舍
| 维度 | 单变量模式（无协变量） | Chronos-2 协变量预测 |
|---|---|---|
| 输入信息 | 仅目标历史值 | 额外加入协变量的历史值与已知未来值 |
| 输出形式 | 分位数（0.1–0.9）+ 中位数 | 相同，输出结构不变 |
| 上手成本 | 一个 DataFrame | 两个 DataFrame，需时间戳对齐 |
| 适用信号 | 外部影响弱 | 受节假日、天气、促销驱动明显 |
官方快速上手 notebook 里的电价案例给出了定性结论：仅用历史价时预测"合理但不精确"，加上负荷与发电预测后"能明显利用这两个外部预测、精度显著提高"（原文为定性描述，未附统一误差指标）。具体误差降多少，官方未公开可复用的对比数字，需要自己在业务数据上回测验证。诚实的限制是：协变量本身噪声大或历史样本太短时，收益会缩水，所以"带/不带协变量"的消融对比值得先跑一遍再定案。
🧭 上手建议与延伸
建议：
- 优先挑"未来值本来就可知"的协变量：促销日历、节假日表、天气预报、负荷预测。
- 先做一轮带/不带的消融对比，只留稳定有效的特征。
- 历史很长时按模型默认 2048 步上下文处理，超长部分会被自动截断。
不建议：
- 不要堆大量低相关列，噪声协变量只会稀释注意力。
- 不要用预测时点拿不到的值冒充未来协变量，那是数据泄漏。
- 不要用超长预测窗口代替滚动预测，官方源码已警告精度可能退化。
加上明日的负荷与发电预测，再看价格预测收紧，协变量的价值就在曲线上。
【免费下载链接】chronos-forecastingChronos: Pretrained Models for Time Series Forecasting项目地址: https://gitcode.com/GitHub_Trending/ch/chronos-forecasting
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
