IBM 研究團隊已在 Hugging Face 上發布業界領先的 Granite 時間序列 PatchTST-FM-r2 模型，並採用商業友善的 Apache 2.0 授權。此舉為從業者提供了一個專門針對時間序列預測任務的高效能基礎模型。

該模型能處理預測、異常檢測和分類等多種任務，大幅降低了企業採用深度學習進行時間序列分析的門檻。其商業友善的授權條款，鼓勵在資料隱私和使用權限至關重要的生產環境中更廣泛地採用。

PatchTST 架構將單變數時間序列分割為固定長度的區塊（patches）以建模時間依賴關係，這項技術在長期預測中已被證明非常有效。作為 Granite 時間序列系列的一部分，該模型與 Flowstate 和 TTM 等其他輕量級模型互補，以滿足各種推論需求。

事件背景

時間序列基礎模型是在大量資料上預訓練的，以學習可重複使用的時間模式，使其能夠在不同資料集之間泛化而無需大量重新訓練。

2023 年推出的 PatchTST 架構透過將時間序列區塊視為類似自然語言處理中的詞彙（tokens），實現了使用強大的 Transformer 架構來處理序列數據，從而徹底改變了該領域。