Timestral: 시계열 모델을 로컬에서 실행하기

공유 지원: 일변량 또는 다변량 목표, 과거 전용 및 알려진 미래 공변량, 21개 출력 분위수. 컨텍스트는 텍스트 토큰이 아닌 32,768개의 과거 시간 단계로 제한됩니다. 하나의 예측 블록은 최대 1,024개의 미래 단계를 포함합니다. 더 긴 지평선은 예측된 중앙값을 후속 블록에 다시 공급합니다.

파일 크기는 다운로드/저장 수치입니다. 런타임 RAM 또는 VRAM은 텐서 버퍼, 컨텍스트 길이, 배치 크기 및 변수 수에 따라 달라집니다. 최소 메모리 보장은 암시되지 않습니다.

1. 01

   역사적 관찰

   규칙적인 간격의 목표와 선택적 공변량을 제공합니다. NaN을 사용하여 누락된 관측값을 표시합니다.

2. 02

   32단계의 패치

   값과 결측값 표시기가 함께 포함되어 시간 순서가 유지됩니다.

3. 03

   시간과 다양한 관심

   주의는 시간과 변수에 따른 역사와 관련이 있습니다. 공변량은 대상 행을 읽지 않고도 대상에 알릴 수 있습니다.

4. 04

   예측 토큰 및 분위수

   분리된 지평선 예측은 별도의 예측 토큰을 사용하여 인코딩된 컨텍스트를 읽고 정렬된 분위수를 생성합니다.

모델 카드에는 확인 날짜에 곧 제공될 기술 보고서가 계속 표시되어 있습니다. 여기의 아키텍처 세부정보는 README 및 모델 카드에서 가져온 것입니다. 공개되지 않은 교육 세부정보는 추론되지 않습니다.

소스 라벨 차이: 릴리스 기사에서는 GIFT-Eval 확률 차트 WQL 라벨을 지정하고, 모델 카드 테이블에서는 해당 행 CRPS 라벨을 지정합니다. 여기에 표시된 값에 대해 CRPS를 유지하며 두 레이블이 동일한 계산을 설명한다고 가정하지 않습니다. 화살표는 낮거나 높을수록 더 나은지 여부를 나타냅니다.

1. 01

   MASE ↓

   평균 절대 척도 오차는 절대 예측 오차를 순진한 기준 척도와 비교합니다. 낮을수록 좋습니다. 이러한 GIFT-Eval 및 TIME 수치는 정확한 예측의 백분율이 아닌 집계 결과입니다.

2. 02

   CRPS ↓

   연속 순위 확률 점수는 관찰에 대한 예측 분포를 평가합니다. 낮을수록 좋습니다. 데이터 세트를 비교하기 전에 벤치마크 정의 및 집계를 검사하세요.

3. 03

   SQL skill score ↑

   Scaled Quantile Loss 기술 점수는 참조 예측에 비해 개선 사항을 보고합니다. 높을수록 좋습니다. 50.39점은 50.39% 예측 정확도가 아닙니다. MASE 스킬 점수 행도 높을수록 좋음 점수를 사용합니다.

4. 04

   입력 및 평가 범위

   README는 예측 기본값과 최대 32,768단계의 내역을 지정합니다. GIFT-Eval은 과거 숫자 공변량과 함께 97개 구성을 사용합니다. TIME은 공변량 없이 98개의 작업을 사용합니다. fev-bench는 인코딩된 범주를 포함하여 과거 및 알려진 공변량이 포함된 100개의 작업을 사용합니다.

이러한 집계 결과는 모든 센서, 수요 시리즈 또는 비즈니스 기간에 대한 승자를 설정하지 않습니다. 자체 홀드아웃 기간에 대해 동일한 예측 원점, 범위, 공변량 및 오류 측정항목을 평가합니다. 역사에서 미래 정보를 제외합니다.

이 기사에서는 정확한 CPU SKU 또는 전체 타이밍 프로토콜을 식별하지 않습니다. 콜드 다운로드, 모델 로딩, I/O 및 변수 개수로 인해 엔드투엔드 시간이 변경될 수 있습니다. 이 수치를 일반적인 속도 향상 주장으로 바꾸지 마십시오.

로컬 추론은 CPU/GPU 시간, RAM, 전력 및 운영 노력을 소비합니다. 다운로드 가능한 가중치에는 라이선스가 적용됩니다. 이 가이드는 공개 Timestral 특정 호스팅 API 가격 또는 엔드포인트를 확인하지 않았습니다. 토큰별 또는 예측별 판매 가격은 벤치마크에서 추론되지 않습니다.

참조 지침만 해당: 이 사이트는 Timestral을 설치하지 않았으며 가중치를 다운로드하거나 이러한 예측을 실행하지 않았습니다. 처음 사용하려면 종속성과 선택한 체크포인트를 가져오기 위해 네트워크 액세스가 필요합니다.

python3 -m venv .venv
source .venv/bin/activate
python -m pip install --upgrade pip
python -m pip install git+https://github.com/mistralai/timestral.git

py -3.12 -m venv .venv
.\.venv\Scripts\Activate.ps1
python -m pip install --upgrade pip
python -m pip install git+https://github.com/mistralai/timestral.git

둘 다 선택하지 말고 하나의 환경 설정을 선택하세요. python3 명령은 Python ≥ 3.10으로 확인되어야 합니다. Git에서의 설치는 공식 README를 따르며 현재 종속성을 해결합니다. 그것은 얼어붙은 환경이 아닙니다. 재현성을 위해 저장소는 uv.lock 및 uv sync --frozen도 제공합니다. CPU 전용 PyTorch 빌드는 공식 PyTorch 설치 프로그램을 통해 선택할 수 있습니다.

import numpy as np
from timestral import TimestralForecaster

model = TimestralForecaster.from_pretrained(
    "mistralai/Timestral-5M", device="cpu"
)
rng = np.random.default_rng(42)
context = rng.standard_normal(1000).cumsum()
forecast = model.forecast(context, prediction_length=96)
median = forecast.median
lower = forecast.quantile(0.1)
upper = forecast.quantile(0.9)
print("shape:", tuple(median.shape))  # (1, 1, 96)
print("first median:", median[0, 0, 0].item())
print("first interval:", lower[0, 0, 0].item(), upper[0, 0, 0].item())

python forecast.py

캡처된 테스트 결과가 아닌 예상 인터페이스 모양: 중앙값은 하나의 계열, 하나의 변수 및 96개의 미래 단계를 나타내는 모양(1, 1, 96)을 갖습니다. 랜덤 워크는 합성 데모 데이터입니다. 그 예측은 모델 품질을 확립하지 않습니다.

플래그십을 평가하려면 모델 ID를 mistralai/Timestral-209M으로 바꾸세요. 지원되는 CUDA 환경은 device="cuda"를 사용할 수 있습니다. 컨텍스트, 변수 또는 배치 크기를 늘리기 전에 메모리를 확인하고 보류된 데이터를 비교하세요.

value
100
103
""
108
110

import csv
import numpy as np
from timestral import TimestralForecaster

# series.csv: one header named "value"; oldest observation first.
# Each row represents one equally spaced time step; blank = missing.
with open("series.csv", newline="", encoding="utf-8-sig") as stream:
    rows = list(csv.DictReader(stream))
context = np.array([
    float(row["value"]) if row["value"].strip() else np.nan
    for row in rows
], dtype=np.float32)
if context.size == 0 or not np.isfinite(context).any():
    raise ValueError("Provide at least one finite observation")
if np.isinf(context).any():
    raise ValueError("Use blank cells for missing values, not infinity")

model = TimestralForecaster.from_pretrained(
    "mistralai/Timestral-5M", device="cpu"
)
result = model.forecast(context, prediction_length=96)
values = result.median[0, 0].cpu().numpy()
np.savetxt("forecast.csv", values, delimiter=",", header="median", comments="")

빈 셀은 NaN이 됩니다. 누락된 시간 슬롯에 대한 행을 유지합니다. 스크립트는 타임스탬프를 구문 분석하고, 데이터를 정렬, 중복 제거 또는 재샘플링하지 않습니다. 단일 열을 내보내기 전에 해당 단계를 수행하고 샘플링 간격을 정의하십시오. 출력에는 96개의 중앙값이 있습니다. 해당 간격을 사용하여 미래 타임스탬프를 할당합니다.

다변량 입력 사용(B, V, T): 배치, 변수, 기록. 과거 숫자 공변량은 (B, C, T)를 사용합니다. 알려진 미래 공변량은 (B, C, T + H)를 사용합니다. 여기서 H는 예측_길이입니다. 단일 대상 시리즈는 관련되지 않은 센서를 독립적인 배치 행으로 처리하라는 명령이 아닙니다.

from timestral import TimestralForecaster

# First load online to populate the Hugging Face cache:
model = TimestralForecaster.from_pretrained(
    "mistralai/Timestral-5M", device="cpu"
)
# Later, load the same cached checkpoint without a network lookup:
cached = TimestralForecaster.from_pretrained(
    "mistralai/Timestral-5M", device="cpu", local_files_only=True
)
# Alternative: directory containing config.json and model.safetensors.
local = TimestralForecaster.from_pretrained(
    "/path/to/Timestral-5M", device="cpu", local_files_only=True
)

파일을 준비한 후 캐시 또는 로컬 브랜치를 사용하십시오. 위의 세 가지 로드는 수명 주기를 설명하기 위한 대안이지 모든 스크립트에서 필수 순서는 아닙니다. 자리 표시자 경로를 바꾸거나 r"D:\models\Timestral-5M"과 같은 Windows 경로를 사용합니다. local_files_only=True는 누락된 파일을 복구할 수 없습니다. 오프라인으로 전환하기 전에 패키지도 설치해야 합니다.

1. 01

   설치 또는 가져오기 실패

   활성화된 환경 내에서 python --version 및 python -m pip show torch를 확인하세요. Python ≥ 3.10, torch ≥ 2.4 및 Git 가용성을 확인하세요. CUDA 장치에는 호환되는 PyTorch 빌드 및 드라이버도 필요합니다. 이러한 문제를 분리하려면 CPU부터 시작하세요.

2. 02

   체크포인트 다운로드 또는 오프라인 로드 실패

   네트워크 액세스, 사용 가능한 디스크 공간 및 대소문자를 구분하는 정확한 모델 ID를 확인하세요. 오프라인 캐시에는 선택한 개정이 포함되어야 합니다. 로컬 폴더에는 config.json과 model.safetensors가 모두 포함되어야 합니다. 파일 이름만으로는 체크포인트 디렉터리가 아닙니다.

3. 03

   형상 또는 공변량 오류

   대상은 (T,), (B, T) 또는 (B, V, T)를 허용합니다. 공통 샘플링 간격에 따라 모든 계열을 정렬하고, 누락된 값에 NaN을 사용하고, 알려진 미래 공변량에 대해 T + H 단계를 제공합니다. 테스트 범위의 관찰 내용을 입력 기록에 넣지 마십시오.

4. 04

   메모리 사용량 또는 대기 시간이 너무 높음

   더 작은 배치와 더 적은 변수인 5M으로 시작하세요. 작업에 적합한 경우에만 기록을 줄이세요. 추론과 별도로 다운로드 및 로딩을 측정합니다. 가중치 파일 크기에는 런타임 활성화 또는 라이브러리 오버헤드가 포함되지 않습니다.

확인된 소스: 2026-10-25