Chronos-2

Chronos-2

无需用你的数据训练就能预测时间序列，覆盖单个序列、多个相关序列以及带额外输入的序列。这是亚马逊的 120M 参数模型，可在 GPU 或 CPU 上运行。

由 amazon 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：Chronos-2 是亚马逊的时间序列基础模型，无需用你自己的数据训练就能做预测。同一个模型可以处理单个序列、几个相互关联的序列，以及带价格或天气等额外输入的序列。它以分位数的形式给出预测，所以你看到的是一个范围，而不是单个数字。

适合谁：适合做时间序列预测、想用现成模型而不是为每个序列单独建模的分析师和开发者。拥有很多相关序列的团队尤其适合，因为模型会把它们放在一起学习。

行业 | 谁在用 | 怎么用 | 例子
能源 | 市场分析师 | 借助额外输入预测价格或负荷 | 像模型卡自己的示例那样，预测未来 24 步的电价
零售 | 规划团队 | 在许多相关商品之间预测需求 | 根据过往销量和促销预测一组商品的销售
金融 | 数据科学家 | 为规划生成预测区间 | 读取某个序列的 0.1、0.5 和 0.9 分位数
软件 | 开发者 | 用几行 Python 给应用加上预测功能 | 传入一个 pandas DataFrame，得到预测结果

如果你需要解释预测为什么变化，可以跳过它。这个模型给出的是预测，而不是原因。

用在哪里：

• Windows、macOS 和 Linux 上的 Python，使用 chronos-forecasting 包
• 单块 GPU 或 CPU，因为模型卡两者都支持
• Amazon SageMaker，通过 AutoGluon-Cloud 或 JumpStart，用于生产

用例 | 适合谁 | 得到什么
零样本预测 | 分析师 | 针对你传入的序列的分位数预测
带协变量预测 | 数据科学家 | 用到过去和已知未来输入的预测
生产部署 | 平台团队 | 在 SageMaker 上的实时、无服务器或批量推理

如何设置：你需要 Python 和 chronos-forecasting 包。

• Windows、macOS 或 Linux 上的 Python
• chronos-forecasting 包，2.0 或更高版本
• GPU 是可选的，模型卡的示例选用了 cuda

1. 如果还没有 Python，先安装它。
2. 用 pip 安装这个包。
3. 加载流水线并传入你的数据。
4. 用于生产时，用 AutoGluon-Cloud 部署到 SageMaker。

pip install "chronos-forecasting>=2.0"

pip install autogluon.cloud>=0.5.0

如何使用：按模型名称加载流水线，然后对包含历史数据的 pandas DataFrame 调用 predict_df。DataFrame 里有 id 列、时间戳列和目标值。如果有已知的未来协变量，再加一个 DataFrame。

from chronos import Chronos2Pipeline

pipeline = Chronos2Pipeline.from_pretrained("amazon/chronos-2", device_map="cuda")

pred_df = pipeline.predict_df(
    context_df,
    future_df=future_df,
    prediction_length=24,  # Number of steps to forecast
    quantile_levels=[0.1, 0.5, 0.9],  # Quantiles for probabilistic forecast
    id_column="id",  # Column identifying different time series
    timestamp_column="timestamp",  # Column with datetime information
    target="target",  # Column(s) with time series values to predict
)

示例：你有按小时记录的电价，以及某个协变量的已知未来值。你要求预测接下来的 24 步，分位数取 0.1、0.5 和 0.9。你会得到一张表，每一步都有低、中、高三个预测值。

新手与专家：时间序列就是按时间排列的一列数字，比如每天的销量。这个模型读取你过去的数字，不经训练就预测接下来的数字。第一步很小：对一个序列运行快速开始的写法，看看那三列分位数。

它是受 T5 编码器启发的纯编码器模型。组注意力机制让它能在上下文中跨相关序列和协变量学习。模型卡报告它在 fev-bench、GIFT-Eval 和 Chronos Benchmark II 上的零样本准确率在公开模型中领先，并且在一块 A10G GPU 上每秒超过 300 次预测。

能力 | Chronos-2 | Chronos-Bolt | Chronos
单变量预测 | 支持 | 支持 | 支持
跨条目学习 | 支持 | 不支持 | 不支持
多变量预测 | 支持 | 不支持 | 不支持
仅过去的协变量 | 支持 | 不支持 | 不支持
已知未来协变量 | 支持 | 需要附加组件 | 需要附加组件

传入过去数值的 DataFrame
如有已知未来协变量就加上
模型把相关序列放在一起读取
得到每一步的分位数预测

Title: 最大上下文长度，单位步
Chronos-2: 8192 步
Chronos-Bolt: 2048 步
Chronos: 512 步

注意事项：

• 最大预测长度是 1024 步，而 Chronos-Bolt 和 Chronos 是 64 步。
• 旧模型可以使用外部协变量回归器，但它们只建模逐时间步的影响。
• 权重在 F32 下约 478 MB，参数 119M。
• License: apache-2.0。
• Cost to run: 本地运行未提及。SageMaker 部署需要 AWS 账户，模型卡没有给出价格。
• Data it reaches: 你传入的序列，以及从 Hugging Face 下载的文件。
• Not for: 解释预测背后的原因。

Hugging Face 上的数据（2026年11月13日）

• 任务：time series forecasting
• 框架：chronos-forecasting
• 参数量：119M
• Weights: about 478 MB in F32; about 60 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：8,097,695
• 点赞：575
• 许可证：apache-2.0
• Quantized versions: 10
• Fine-tunes: 19
• 标签：chronos-forecasting, safetensors, t5, forecasting, time-series-forecasting

链接

• 模型：https://huggingface.co/amazon/chronos-2
• 文件：https://huggingface.co/amazon/chronos-2/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download amazon/chronos-2

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。