Hugging Face Blog

Time-Series Models in the Streamhouse: A New Frontier and Use Cases

6.9内容质量

TL;DR · AI 摘要

Time-Series Models in the Streamhouse: A New Frontier and Use Cases Back to Articles 0 -1 Enterprise Article Published N...

核心要点

  • 主题聚焦:Time-Series Models in the Streamhouse: A New Fro
  • 来源:Hugging Face Blog,建议结合原文判断细节。
  • AI 分析暂不可用,本条为保底评分与摘要。
#AI#编程#后端#云计算#安全
打开原文

Streamhouse中的时间序列模型:新前沿与应用场景

返回文章列表

[0

[-1

企业

]

文章

发布于2026年11月18日

点赞

18

[

  • +12

Nicholas Fuller

nfuller

关注

ibm-research

Sean Falconer

thefalc

Ayhan Sebin

ayhansebin

Pankaj Dayama

pankajdayama

Roman Vaculin

vaculin

Bilge Zeren Aksu

bzeren

Julian Payne

Pyjamacardinal

Mountu Jinwala

mjinwala

Wesley M. Gifford

wmgifford

Chandra Reddy

creddyhf

Vijay Ekambaram

vijaye12

Arindam Jati

ajati

Robert Metzger

rmetzger0

基于IBM拥有超过5000万次下载的时间序列模型,实现实时预测、异常检测和优化。现在原生支持Confluent平台,可在云端和本地部署,且无需GPU即可在CPU上运行。

每家企业都会持续生成变化的记录:机器读数、付款、销售、订单或库存变化。这些观测值构成时间序列,其中包含可以帮助团队预见未来事件的信号。

挑战在于如何在信号仍然具有价值时将其转化为决策。在生产运行结束、库存短缺或付款授权之后提供的预测可能准确,但已为时过晚,无法影响结果。

IBM与Confluent正在将时间序列基础模型更紧密地集成到数据流中。通过Apache Flink,团队可以使用SQL对流数据应用预测、异常检测和语义智能,使模型输出可供负责下一步行动的应用程序和人员使用。

基础模型改变了组织处理文本、图像和文档的方式。时间序列基础模型将类似理念扩展到数值数据,通过从多样化的历史数据中学习通用模式,然后将这些知识应用于新的序列和任务。这些模型可以作为起点,无需为每个序列单独训练模型。根据任务和部署需求,团队还可以对模型进行微调,或将其输出与其他数据和业务逻辑结合。

图1. 超过5000万次下载,以及背后四种模型的家族

现在,时间序列基础模型原生集成在Confluent中,作为云端和本地部署的内置函数。在Confluent Cloud中,这些模型完全托管,无需任何部署(文档)。在本地部署时,模型可通过Confluent Platform for Apache Flink在您的基础设施中运行(文档)。这些模型在CPU上运行,无需GPU支持。

这些模型可以支持一系列关键任务场景,从帮助保持生产线符合规格、检测异常商店活动到改进产品级规划。它们还可以提供信号来评估信用卡支付,并预测交易量以帮助下达大额订单。这些构建模块可应用于制造、零售、银行和航空领域,将洞察力带入决策发生的地方。

查看时间序列与实时上下文如何结合创造价值:

Streamhouse:智能代理时代的实时数据与智能

企业持续运营。订单不断更新,付款陆续到账,运输延误,库存全天变化。然而,这些事件背后的信息通常分散在不同系统中,这些系统更新时间不一致,或依赖周期性批量处理。当应用程序和AI代理基于过时或不一致的信息采取行动时,可能会做出不再反映实际情况的决策。

Streamhouse 通过持续捕获、处理、治理和提供当前业务上下文来解决这一问题。Confluent 的数据流平台整合了五大能力——连接、流处理、处理、治理和查询,使这些上下文能够被应用程序、分析工具和代理使用。Apache Flink 在数据流动过程中进行转换和丰富,而 Lightning Tables 则提供对当前状态的低延迟访问。

图2. Confluent上的Streamhouse:从现有数据源到代理、应用程序、分析和湖仓使用的当前业务上下文。

时间序列模型为这一架构增添了预测能力。Flink 可以准备数据、调用预测和异常检测,并将结果与产生它们的事件一同提供。其他模型——包括大型语言模型、统计模型和专用机器学习系统——可以在适当的情况下做出贡献。

图3. Streamhouse的智能层:时间序列模型、大型语言模型以及机器学习和统计模型,各模型之间进行编排。

这种方法可以从四个方面帮助团队:

  • 扩展模型开发:预训练模型可以为许多时间序列提供通用的起点,减少为每个序列单独开发和维护模型的需求。
  • 随数据变化刷新预测:预测可以作为流处理工作流的一部分,结合近期观测结果进行更新,前提是符合模型要求和流水线配置。
  • 将信号更接近决策:预测和异常可以更快地路由到运营应用程序中,团队可以将它们与业务上下文、规则和人工判断结合。
  • 在CPU上运行紧凑模型:模型足够小,可以在标准CPU上与流处理管道一同运行,无论是在云端还是本地,这可以减少对专用GPU基础设施的需求并简化部署。

图4. Confluent上的流原生时间序列智能

实际企业中的关键任务应用场景

以下场景展示了组织如何结合时间序列模型、流数据和应用程序逻辑。

应用场景1 | 生产优化:每个容器都符合规格

冰淇淋生产线的质量取决于过冲率——即混合物中搅入的空气量。目前,工艺工程师和操作员依赖于在容器装满后进行的QA实验室测量。如果新奶油批次或炎热潮湿的一天改变了工艺,团队在看到结果时可能已经需要数小时的返工。

为提前应对这一问题,预训练的TTM模型每10分钟读取SCADA遥测数据和QA测量数据。它提前四小时预测预计符合规格的容器比例,并提供可能的范围。

当预测低于工厂目标时,优化过程会评估冷冻机抽气温度和气流的组合。由于模型将这些控制变量作为输入,可以在生产线上的任何变化发生之前对每个选项进行评分。操作员批准推荐的设定值,而常规调整可以在预定义的保护范围内自动执行。

结果是一个更主动的流程:减少返工、降低每吨能耗、质量更一致。同样的方法可以应用于烤箱、干燥器、窑炉和磨机。

图5. 产品质量预测帮助操作员在调整之前评估冷冻机设定值。

用例 2 | 异常检测:从警报到正确行动

一家门店运营团队需要监控数百家门店中数千种产品的销售情况。固定阈值通常会标记可预测的周末高峰,却忽略了更细微的变化,例如某产品销量低于预期。随着警报不断累积,团队越来越难以判断应该关注哪里。

AI_DETECT_ANOMALIES 根据每个销售序列的近期历史为其分配一个预期范围。每个新数据点都会与该范围进行比较,比较的置信度由团队自行选择,无需为每个产品和门店单独训练模型。

当销售数据超出预期范围时,可以将信号与库存和门店数据结合,帮助识别可能的原因并推荐下一步操作,例如检查货架或补货。同样的方法也可应用于机器传感器、API遥测数据、计量读数和支付量。

图6。门店销售数据与预期范围进行比较。在所示视图中,周期性高峰仍处于范围内,未触发异常警报。

用例 3 | 供应链规划:每种SKU、每家门店、每小时

品类规划师和补货团队需要确保所有门店的商品供应充足,同时避免库存过剩。但预测通常每周更新一次,主要关注畅销商品,而长尾商品则采用更简单的规则管理。当规划周期之间销售模式发生变化时,一家门店可能缺货,而另一家门店则库存过多。

通过 AI_FORECAST,预训练模型可以跨产品和门店预测需求。在此示例中,它生成一个28天的预测,包含P10–P90范围,并随着新销售数据的到达进行更新。规划应用程序将预测与库存、补货周期和规划师选择的服务水平结合,计算出补货点。

当预测库存将低于该点时,代理可以起草采购订单供审核。同样的方法也可用于备件规划、人员配置、ATM现金储备和能源需求规划。

图7。门店级别的需求预测确定了补货点和燕麦奶的采购订单建议。

用例 4 | 欺诈与安全:每张卡都有其正常模式

欺诈团队已经依赖复杂的规则和模型来评估交易。一个持续的挑战是,应用于大量持卡人的阈值可能无法反映每个人正常的消费方式。

时间序列信号可以增加这种个性化上下文。在此示例中,每笔支付都会与基于卡片近期历史的预期消费范围进行比较。超出该范围的交易会作为额外输入传递给银行现有的欺诈系统,与其他信号和业务规则一起处理。

银行随后可以决定是否批准该笔支付、要求额外身份验证或进一步调查。决策及其背后的信号可以保留供后续审查。

图8。一笔超出卡片预期消费范围的支付会触发欺诈工作流程中的增强身份验证步骤。

用例 5 | 交易:与市场节奏同步下单

执行部门需要将大额订单拆分为小规模交易,同时管理其对市场的影响。历史成交量曲线提供了一个起点,但今天的交易活动可能与平均水平差异很大。

在每一分钟的K线图上,PatchTST-FM会预测接下来30分钟的交易量,并提供P10–P90的预测范围。执行算法会利用该预测,在交易台设定的参与限制范围内控制订单的执行速度。

如果新闻事件改变了市场活动,算法可以暂停并重新规划。如果交易量比预期更安静,它可以减少每笔订单的拆分规模,并发出信号表明订单可能需要更长时间完成。每次预测及由此产生的执行决策都会被保留在审计追踪中。

图9。交易量预测为100,000股订单的执行计划提供依据。

用例6 | 语义搜索:查找所有类似信号的模式

当可靠性工程师调查到异常的传感器模式时,可能需要了解这种行为是否在工厂其他地方出现过。

TSPulse可以生成时间序列窗口的表示形式,支持相似性搜索。在独立构建的应用程序中,这些表示可以被索引,并用于跨设备检索历史模式。工程师可以搜索尖峰和恢复、渐进上升或阶跃变化等形状,然后检查相关的维护记录和运行条件。

该应用需要嵌入式管道、索引和相关上下文的访问权限。相似性搜索可以帮助缩小调查范围;但本身并不能确定根本原因。

图10。时间序列嵌入可以支持跨设备和其他信号的相似模式搜索。

行业特定应用

相同的模型和构建模块可以支持不同行业的不同工作流程:

  • 工业AI:从传感器到设定值。厂长希望每一批产品都符合规格,且生产线不会因意外情况而停工。SCADA、质量检测实验室和能源计量流在到达时即被预测。当质量开始偏离时,生产优化会调整设定值,异常检测会标记未定义规则的读数,语义搜索可以找到在故障前显示相同模式的所有泵。设定值、工单和警报会在生产周期内传递到现场,而不是等到下一班次报告。

图11。从传感器到设定值的工厂数字孪生。一个新的奶油批次使产量偏离目标。预测读取生产线,代理提出新的抽吸温度和空气流量,操作员批准后,储罐重新符合规格。模拟数据。

  • 零售:门店及其供应链。店长希望周六货架齐全,但周一不要出现库存过剩。销售、天气和促销流会为每家门店的每种产品进行预测。供应链计划设定订单,异常检测会发现空货架或未送达的货物,欺诈和安全系统会拦截可疑的信用卡。订单、门店任务和冻结指令会在货架售罄前发出。

图12。门店数字孪生,包括门店及其供应链。燕麦奶的促销活动即将到来。预测将促销价格纳入考虑并设定补货点,代理提交采购订单,计划员批准后,促销当天货架商品充足。模拟数据。

  • 金融行业:支付与交易台。反欺诈负责人希望阻止卡片测试但不干扰优质客户,交易员希望在不影响价格的情况下完成大额订单。每张卡片和每个交易符号都会根据其预期模式进行评分,事件逐个分析。欺诈与安全团队会在授权前拦截异常刷卡行为,异常检测识别出不寻常的资金流动,交易则根据预测的交易量调整订单节奏。
  • 航空行业:枢纽运营、机队与网络。运营控制部门希望在仍有时间应对时预判中断风险。引擎、机位和网络数据流实时预测并监控。异常检测捕捉到引擎数据的异常漂移,生产优化重新分配机位和机组人员,供应链计划将备件提前部署到飞机所在位置。

在每个行业中,Streamhouse 的工作方式都相同:Flink 运行 Granite 模型进行预测、检测和优化,流式代理根据实时上下文采取行动,而人工审批例外情况。

在 Confluent 上探索这些模型,了解时间序列智能如何支持实时决策。

了解更多

  • 代码和笔记本:github.com/ibm-granite/granite-tsfm
  • Confluent 上使用 IBM 时间序列模型实现实时智能
  • 使用 IBM Granite 时间序列模型进行集成预测
  • IBM 发布具有商业友好许可的 SOTA Granite 时间序列 PatchTST-FM-r2 模型
  • Confluent 智能与 AI 工具新特性:使代理原生支持流处理、扩展模型支持、新增代理技能以及 Confluent 助手
  • Q4'26 Confluent 数据流平台新特性
  • 2026 年 11 月 Apache Flink Confluent 平台新特性

更多该作者的文章

Palette:训练小型模型以使用你的设计语言构建卡片

21

2026年11月3日

同一模型,不同适配器:CUGA、Hermes 和深度代理——何时选择 CUGA?

38

社区

编辑

预览

通过拖拽到文本输入框、粘贴或

点击此处

上传图片、音频和视频。

轻点或粘贴此处上传图片

评论

· 注册或登录以发表评论

  • +6