3 个模型怎么选Uni2TS 时间序列预测选型指南【免费下载链接】uni2tsUnified Training of Universal Time Series Forecasting Transformers项目地址: https://gitcode.com/gh_mirrors/un/uni2tsUni2TS 是一个统一训练的时间序列预测 Transformer 框架内置 Moirai、Moirai-MoE、Moirai2 三代模型。这篇文章只回答一个决策问题按你的数据规模和硬件资源该选哪一个以及怎么验证它在你数据上真的有效。 结论先行一张表看懂三款模型模型定位精度表现资源开销适合人群Moirai统一基线版多分布基线表现稳定small 384 维 6 层 / base 768 维 12 层 / large 1024 维 24 层入门、快速验证Moirai-MoE专家路由增强版Monash 聚合 MAE 三者最低零样本 CRPS 0.478 领先参数量高于同规格 Moirai显存占用更高精度优先、数据多样Moirai2分位数输出版直出 9 个分位数0.1~0.9无预训练配置单 patch_size配置更简追新、做研究开发三句话结论入门或先跑通 pipeline用 Moirai base生产环境精度优先、数据源杂选 Moirai-MoE要分位数区间预测或参与前沿开发看 Moirai2。 逐个拆解Moirai、Moirai-MoE、Moirai2 各解决什么问题Moirai先把时间序列预测跑通的基线定位Uni2TS 初代模型目标是一个模型吃下所有频率的序列。多尺度 patchpatch_sizes[8, 16, 32, 64, 128]按序列频率自动选择合适的时间粒度切块混合分布输出StudentT、Normal、NegativeBinomial、LogNormal 四种分布组成 mixture输出的是分布参数而非单点值分布意味着你能拿到不确定度规模可配small/base/large 三档base 即 d_model768、num_layers12边界FFN 是单一前馈网络容量上限低于 MoE 版max_dim128 限制了单条样本可融合的变量数变量极多的场景需要自己扩展。Moirai-MoE用专家路由换精度定位在 Moirai 的 FFN 层引入专家混合Mixture of Experts即多个专家网络 按输入动态分配。top-k 门控每个 token 只激活 top-k 个专家单样本计算量接近 dense 模型但总容量更大继承多尺度 patch 与混合分布输出训练接口与 Moirai 一致切换成本低评测配置见 cli/conf/eval/model/如 moirai_moe_1.0_R_base 直接加载 Salesforce/moirai-moe-1.0-R-base 预训练权重边界专家数与 top-k 是需要调的超参比基线版多一层调优成本参数量和显存占用高于同规格 Moirai消费级显卡上建议从 base 起步。Moirai2直出分位数的最新一代定位不再参数化分布而是直接回归 9 个分位数0.1~0.9做区间预测时省去分布反演。单个 patch_size 取代多尺度输入构造更简单编码器换成 RMSNorm GLU 旋转位置投影的组合归一化与激活比基线更现代推理直接返回 [batch, 9, future, target] 的分位数张量边界cli/conf/ 下没有 Moirai2 的预训练评测配置目前更偏研究代码没有开箱即用的 checkpoint接口文档不如前两代完整源码在 src/uni2ts/model/moirai2/。 零样本预测怎么挑用数据说话结论在前Monash 分布内评估中 Moirai-MoE 的聚合 MAE 最低零样本场景 Moirai-MoE Base 的 CRPS0.478在对比表里排第一CRPS 是概率预测评分越小越好。两点补充。一是这些数字来自滚动评估预测窗口向前滑动、每轮用最新历史重新预测比单次切片更接近生产环境。二是三款模型都支持动态协变量随时间变化的辅助特征零样本即可注入不需要重新训练。 场景对号入座if-then 决策清单如果只有一张 24G 消费级显卡 → 先用 Moirai small/base 做零样本推理微调实验从 small 开始如果精度是 KPI、数据源频率和量纲杂 → 上 Moirai-MoE base显存不够就先缩 context_length如果要输出预测区间、或正在开发新特性 → 用 Moirai2源码与接口看 src/uni2ts/model/moirai2/如果序列带大量协变量 → 三款都支持多特征融合按上一条的硬件结论二选一即可⚡ 一键跑通验证三步拿到自己数据的基线git clone https://gitcode.com/gh_mirrors/un/uni2ts配置入口在 cli/conf/pretrain/model/训练和 cli/conf/eval/model/评测改 d_model、patch_sizes 等参数即可换档。想最快确认模型前向没问题直接跑测试 test/model/test_moirai.py。 三个最容易踩的误区MoE 一定更快吗不一定。top-k 门控让单 token 计算接近 dense 模型但总参数量和显存更高训练还需要调专家数与 top-k。它是用资源换精度不是免费的加速。零样本效果够用还要微调吗先看自己数据上 CRPS/MASE 是否达基线。若数据分布离预训练语料远如工业传感器量纲极端按项目里 etth1 的模板做一轮微调通常收益明显。模型越大越好吗base 到 larged_model 从 768 升到 1024、层数从 12 升到 24参数量约 4 倍但数据集小时 often 吃不满容量。选型顺序应是数据量 → 硬件 → 大小而不是反过来。【免费下载链接】uni2tsUnified Training of Universal Time Series Forecasting Transformers项目地址: https://gitcode.com/gh_mirrors/un/uni2ts创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考