A IBM Research publicou, em 22 de outubro de 2026, o Granite Timeseries Ensemble: uma receita que combina quatro modelos pré-treinados da família Granite para previsão de séries temporais e devolve, em uma única chamada, uma previsão central e intervalos de quantis — sem retreino e sem pesos de ensemble ajustados aos dados.
O problema que a receita tenta resolver é prático: modelos pré-treinados de séries temporais já preveem sem treinar no conjunto do usuário, mas ainda é preciso escolher qual modelo usar. Um modelo bom para sinais industriais suaves pode falhar em demanda de varejo ruidosa ou em horizontes sazonais longos. O ensemble transforma essa escolha em um padrão sensato, na mesma lógica da previsão do tempo por conjuntos, em que vários modelos oferecem visões diferentes do que vem a seguir.
Os quatro modelos da receita
A receita padrão combina quatro arquiteturas complementares, que capturam tendências, sazonalidade e variação local de formas diferentes, de modo que seus erros não precisam coincidir:
- Granite PatchTST-FM-r1 — Transformer com patches;
- Granite PatchTST-FM-r2 — Conformer com patches;
- Granite FlowState-r1.1 — modelo de espaço de estados;
- Granite TTM-r3 — Tiny Time Mixers, um misturador MLP.
A receita guarda apenas a configuração do ensemble, não pesos fundidos. Na primeira execução, os quatro checkpoints são baixados, o que exige tempo extra. Para usar, basta instalar o pacote granite-tsfm na versão 0.3.11 ou superior e carregar ibm-granite/granite-timeseries-ensemble-r1 no Hugging Face.
Duas formas de combinar as previsões
O padrão recomendado é o Probabilistic Ensemble: cada membro tem influência igual, os quantis são agrupados no espaço de probabilidade e não há etapa de ajuste nem hiperparâmetros de peso para uma série nova. A alternativa é o IQR Ensemble, adaptativo: ele dá mais influência a membros com intervalos mais estreitos, com pesos que variam por amostra, alvo e passo do horizonte. A própria IBM alerta que um intervalo mais estreito não é necessariamente mais preciso e que essa ponderação pode favorecer um membro superconfiante.
O que dizem os números — e o que eles não dizem
Na avaliação em 97 configurações do benchmark GIFT-Eval, sem fine-tuning, o Probabilistic Ensemble registrou MASE agregado de 0,683, contra 0,685 do melhor membro isolado, o PatchTST-FM-r2 — uma margem pequena. A leitura honesta da IBM é que o ganho principal é robustez: um desempenho agregado igual ou melhor sem saber de antemão qual arquitetura vai se sair melhor em cada série. Em CRPS/MWQL agregado, o PatchTST-FM-r2 manteve o melhor valor (0,467), enquanto o IQR Ensemble obteve o melhor rank médio de CRPS (47,619) entre os seis forecasts comparados. Segundo a IBM, na comparação de 20 de outubro de 2026 o ensemble ficou em 3º lugar entre os sistemas elegíveis em rank de MASE e de CRPS.
Há limites explícitos: os canais multivariados são previstos de forma independente, sem usar informação entre canais; carregar quatro modelos custa mais memória e tempo de inferência do que um só; e nenhum método de agregação garante calibração ou robustez sob mudança de distribuição. Receitas expandidas que acrescentam outros checkpoints da IBM Research podem ter licenças distintas, incluindo restrições não comerciais ou de uso para pesquisa — por isso, cada model card deve ser conferido antes do uso. A recomendação da IBM é testar as receitas nos próprios dados, com janelas históricas representativas, e medir cobertura empírica do intervalo de 0,1 a 0,9, cuja cobertura nominal é de 80%.
Para quem trabalha com demanda, telemetria, monitoramento de equipamentos ou sinais financeiros, o valor não está em um novo modelo gigante, mas em um padrão aberto e permissivamente licenciado que dispensa a escolha prévia de arquitetura. O teste real, como a própria IBM reconhece, é o backtest no dado do usuário — não a média do benchmark.
Fontes: publicação original da IBM Research no Hugging Face, “Ensemble forecasting with IBM Granite time-series models” (https://huggingface.co/blog/ibm-research/granite-timeseries-ensemble-r1).
Crédito da imagem: gráfico de classificação GIFT-Eval publicado pela IBM Research no blog do Hugging Face, que acompanha o anúncio do Granite Timeseries Ensemble.
Transparência: esta matéria foi elaborada com auxílio de inteligência artificial, a partir de fontes públicas da internet, incluindo a publicação original da IBM Research. Recomenda-se consultar as fontes originais para confirmar os detalhes antes de qualquer decisão técnica.
Muse
