IBM Research hat am 22. Oktober 2026 das Granite Timeseries Ensemble veröffentlicht: ein Rezept, das vier vortrainierte Modelle der Granite-Familie für die Prognose von Zeitreihen kombiniert und in einem einzigen Aufruf eine zentrale Prognose sowie Quantilintervalle liefert — ohne Nachtraining und ohne angepasste Ensemble-Gewichte.
Das Problem ist praktisch: Vortrainierte Zeitreihenmodelle prognostizieren bereits ohne Training auf den Daten des Nutzers, doch es muss weiterhin ein Modell ausgewählt werden. Ein Modell, das glatte Industriesignale gut verarbeitet, kann bei verrauschter Einzelhandelsnachfrage oder langen saisonalen Horizonten versagen. Das Ensemble macht aus dieser Wahl einen vernünftigen Standardwert, nach derselben Logik wie Wettervorhersage-Ensembles, bei denen mehrere Modelle unterschiedliche Sichtweisen auf die Zukunft bieten.
Die vier Modelle des Rezepts
Das Standardrezept kombiniert vier komplementäre Architekturen, die Trends, Saisonalität und lokale Variation auf unterschiedliche Weise erfassen, sodass ihre Fehler nicht übereinstimmen müssen: Granite PatchTST-FM-r1 (gepatchter Transformer), PatchTST-FM-r2 (gepatchter Conformer), FlowState-r1.1 (Zustandsraummodell) und TTM-r3 (Tiny Time Mixers, ein MLP-Mixer). Das Rezept speichert nur die Ensemble-Konfiguration, keine zusammengeführten Gewichte; die vier Checkpoints werden beim ersten Lauf heruntergeladen. Es erfordert granite-tsfm in Version 0.3.11 oder höher sowie das Rezept ibm-granite/granite-timeseries-ensemble-r1 auf Hugging Face.
Zwei Wege, Prognosen zu kombinieren
Der empfohlene Standard ist das Probabilistic Ensemble: Jedes Mitglied hat gleichen Einfluss, Quantile werden im Wahrscheinlichkeitsraum zusammengeführt, und es gibt weder einen Anpassungsschritt noch Gewichts-Hyperparameter für eine neue Reihe. Die Alternative ist das adaptive IQR Ensemble: Es gibt Mitgliedern mit engeren Intervallen mehr Einfluss, wobei die Gewichte je nach Stichprobe, Zielgröße und Horizontschritt variieren. IBM selbst warnt, dass ein engeres Intervall nicht unbedingt genauer ist und dass diese Gewichtung ein überkonfidentes Mitglied begünstigen kann.
Was die Zahlen sagen — und was nicht
In der Bewertung auf 97 Konfigurationen des Benchmarks GIFT-Eval, ohne Fine-Tuning, erreichte das Probabilistic Ensemble einen aggregierten MASE von 0,683 gegenüber 0,685 des besten einzelnen Mitglieds, PatchTST-FM-r2 — ein kleiner Abstand. Die ehrliche Lesart von IBM ist, dass der Hauptgewinn Robustheit ist: eine gleiche oder bessere aggregierte Genauigkeit, ohne vorab zu wissen, welche Architektur zu jeder Reihe am besten passt. Beim aggregierten CRPS/MWQL behielt PatchTST-FM-r2 den besten Wert (0,467), während das IQR Ensemble unter den sechs verglichenen Prognosen den besten mittleren CRPS-Rang (47,619) erzielte. Laut IBM belegte das Ensemble im Vergleich vom 20. Oktober 2026 unter den zulässigen Systemen Platz 3 beim MASE-Rang und beim CRPS-Rang.
Es gibt ausdrückliche Grenzen: Multivariate Kanäle werden unabhängig prognostiziert, ohne Informationen zwischen Kanälen zu nutzen; das Laden von vier Modellen kostet mehr Speicher und Inferenzzeit als ein einzelnes Modell; und keine Aggregationsmethode garantiert Kalibrierung oder Robustheit bei Verteilungsverschiebungen. Erweiterte Rezepte, die weitere IBM-Research-Checkpoints hinzufügen, können anderen Lizenzen unterliegen, darunter nicht-kommerzielle oder nur für Forschung geltende Beschränkungen — jede Modellkarte sollte daher vor der Nutzung geprüft werden. IBM empfiehlt, die Rezepte an eigenen Daten mit repräsentativen historischen Fenstern zu testen und die empirische Abdeckung des Intervalls von 0,1 bis 0,9 zu messen, dessen nominale Abdeckung 80 % beträgt.
Für alle, die mit Nachfrage, Telemetrie, Anlagenüberwachung oder Finanzsignalen arbeiten, liegt der Wert nicht in einem neuen Riesenmodell, sondern in einem offenen, permissiv lizenzierten Standardwert, der die vorherige Architekturwahl überflüssig macht. Der echte Test ist, wie IBM selbst einräumt, der Backtest auf den eigenen Daten — nicht der Benchmark-Durchschnitt.
Quellen: Originalveröffentlichung von IBM Research auf Hugging Face, „Ensemble forecasting with IBM Granite time-series models“ (https://huggingface.co/blog/ibm-research/granite-timeseries-ensemble-r1).
Bildnachweis: GIFT-Eval-Rangdiagramm, veröffentlicht von IBM Research im Hugging-Face-Blog, das die Ankündigung des Granite Timeseries Ensemble begleitet.
Transparenz: Dieser Artikel wurde mit Unterstützung künstlicher Intelligenz auf der Grundlage öffentlicher Quellen im Internet erstellt, darunter die Originalveröffentlichung von IBM Research. Vor technischen Entscheidungen sollten die Originalquellen zur Bestätigung der Details herangezogen werden.
Muse
