时间序列数据有多种形式和潜在应用场景，这意味着没有单一的预测方法能够在所有情况下都表现最佳。
如果你要预测明天的最高和最低温度，或者一家公司是否能达到下周的销售目标，点预测是个不错的选择。但如果你要决定何时补充产品库存或评估公司的风险敞口，概率预测可能更有用。其他时候，你可能需要在实时数据流中检测异常，以防止网络中断或机器故障，这时速度至关重要。
IBM研究院构建了一系列在各种场景下表现出色的时间序列基础模型。这些模型于本周发布，目前在Hugging Face的GIFT-Eval排行榜上名列前茅：FlowState-r1.1用于点预测（在零样本、可复现、无数据泄漏的模型中），PatchTST-FM-r1用于概率预测（在可复现、非智能体、无数据泄漏的模型中），以及TTM-r3和TSPulse-r1用于高效预测、异常检测、分类和搜索，支持每秒数千次推理。
这些模型基于不同的架构构建，各有自己的优势。本文将详细介绍这些新功能、每个模型最适合的任务类型，以及如何访问和使用它们。
PatchTST-FM-r1模型特性
我们最新的基于Transformer的模型PatchTST-FM-r1与伦斯勒理工学院联合开发，基于我们开创性的PatchTST架构演进而来，该架构引入了通道独立性和分块技术，实现更准确、更高效的预测。PatchTST-FM-r1模型在预测任务中表现出色。它支持128到8,192个时间点的上下文长度，能够在短期和长期时间范围内进行预测，并且对缺失值具有鲁棒性。其目前的GIFT-Eval排名证明，在由真实和合成数据组成的大规模数据集上训练时，Transformer架构可以灵活、富有表现力且具有高精度性能。
TTM-r3高效性能
TTM-r3是我们TinyTimeMixer模型的第三代版本，旨在平衡速度和准确性。该版本引入了多项创新，提高了预测精度，推理速度比当前最先进的模型快15到50倍。TTM-r3在仅CPU环境中也能出色运行，使其非常适合真实世界的高吞吐量部署。TTM-r3支持快速微调、多变量预测，甚至可以整合控制变量，在复杂的工业场景中提升性能。我们的TTM模型极受欢迎，在Hugging Face上的下载量已超过3700万次。
FlowState-r1.1创新架构
FlowState-r1.1是我们FlowState模型的最新版本，基于名为S5的新颖状态空间架构构建，能够处理短期和长期输入以及预测时间范围，还支持不同的采样率。通过结合状态空间模型编码器和函数基础解码器，FlowState-r1.1具有协调不同采样率数据以产生准确长期预测的罕见能力。这个新版本整合了额外的合成训练数据，并增加了上下文长度以进一步提升性能。
模型应用场景
所有三个模型版本都扩展了IBM的时间序列模型产品组合，并与TSPulse互补。TSPulse是我们在异常检测、搜索、分类和插值任务中表现出色的紧凑型预训练模型系列。
这些模型共同覆盖了广泛的真实企业需求。应用场景包括工业制造和监控，以及检测IT事件和电网中断。这些模型总共在超过1000亿个来自公共领域或人工生成的数据点上进行了训练。
根据应用场景，每个模型都有其关键优势。对于CPU机器上的高吞吐量和低延迟需求，可以尝试TTM-r3。对于准确的点预测和概率预测，可以分别尝试FlowState-r1.1和PatchTST-FM-r1。对于时间序列异常检测、分类和其他非预测任务，可以尝试TSPulse。
技术发展历程
自2021年发布TST以来，IBM一直引领着时间序列基础模型的研究和开发，TST是最早应用于时间序列数据的基于Transformer的模型之一。2023年，PatchTST为时间序列数据引入了分块和通道独立性概念，使Transformer能够高效处理长时间序列。同年，TSMixer通过使用多层感知机（MLP）结合分块和跨通道信息，在提高速度和效率方面开辟了道路。
在混合器的基础上，2024年发布的Tiny Time Mixer（TTM）引入了首批跨多个领域任务的轻量级时间序列模型。2025年，基于状态空间模型（SSM）这种高效的循环神经网络类型，我们推出了FlowState时间序列模型。其创新包括并行训练、函数基础解码和采样率不变性。TTM和FlowState的早期版本在2024年和2025年的GIFT-Eval预测排行榜上表现优异。
今年，我们通过发布PatchTST-FM-r1、TTM-r3和FlowState-r1.1完善了产品组合，这些模型再次在GIFT-Eval预测排行榜上名列前茅。它们与专门从事异常检测和分类的TSPulse相辅相成，共同覆盖了广泛的真实使用场景。
模型获取方式
我们所有的模型都是开放权重的，可以在Hugging Face上下载。研究版本在非商业许可下提供，而我们的Granite时间序列模型系列在精选数据集上训练，在宽松的Apache 2.0许可下提供。
为了帮助用户开始使用IBM的时间序列模型，我们提供了多个笔记本。这些笔记本突出展示了每个模型的功能和最佳用例，基于我们开源存储库的模型架构和支持代码构建，涵盖FlowState、TTM、PatchTST-FM以及TSPulse异常检测和分类等内容。
Q&A
Q1：IBM发布的时间序列模型有哪些，各自适用什么场景？
A：IBM发布了四个主要模型：FlowState-r1.1适用于点预测，PatchTST-FM-r1适用于概率预测，TTM-r3适用于高吞吐量和低延迟的CPU环境，TSPulse适用于异常检测、分类和搜索任务。这些模型共同覆盖了工业制造监控、IT事件检测、电网中断预警等企业级应用场景。
Q2：TTM-r3相比其他模型有什么优势？
A：TTM-r3是第三代TinyTimeMixer模型，主要优势是速度快，推理速度比当前最先进模型快15到50倍，在仅CPU环境中也能出色运行，非常适合高吞吐量部署。它支持快速微调、多变量预测，还可以整合控制变量，在复杂工业场景中表现优异，在Hugging Face上下载量已超过3700万次。
Q3：如何获取和使用IBM的时间序列模型？
A：所有模型都在Hugging Face平台开放下载，研究版本采用非商业许可，Granite系列采用Apache 2.0许可。IBM提供了多个使用笔记本，包括FlowState、TTM、PatchTST-FM和TSPulse的使用指南，这些笔记本基于开源存储库构建，详细展示了每个模型的功能和最佳用例。
热门跟贴