Ensamble de pronósticos con los modelos de series temporales Granite de IBM

Introducción

Elegir un modelo preentrenado para series temporales puede ser una tarea complicada: un enfoque que funcione bien para señales industriales suaves puede fallar ante la demanda minorista ruidosa o ante horizontes con fuerte estacionalidad. IBM y Hugging Face proponen una receta práctica llamada Granite Timeseries Ensemble que combina cuatro modelos preentrenados complementarios y devuelve predicciones puntuales y cuantiles sin necesidad de reentrenar ni de estimar pesos de ensamblado.

La idea es simple y ya conocida en la meteorología: en lugar de depender de un único modelo, se usan varios que aportan distintas perspectivas del futuro y se combinan sus salidas para explorar un rango de resultados plausibles. Para equipos de producto y tomadores de decisión, esto reduce la apuesta de “elegir el modelo correcto” y ofrece intervalos de pronóstico útiles para gestión de inventarios, planificación de capacidad y análisis de riesgo.

¿Qué incluye el ensemble?

La receta por defecto agrupa cuatro miembros de Granite con arquitecturas diferentes, cada una capturando tendencias, estacionalidad y variación local de formas distintas:

• PatchTST-FM-r1 (Patched Transformer)
• PatchTST-FM-r2 (Patched Conformer)
• FlowState-r1.1 (modelo de espacio de estados)
• TTM-r3 (Tiny Time Mixers, tipo MLP mixer)

Estos modelos están preentrenados y disponibles como comprobaciones (checkpoints) descargables desde la receta: el ensamblador guarda la configuración del conjunto, pero descarga los pesos de cada miembro en tiempo de ejecución. La licencia de la receta y los miembros por defecto es permisiva, lo que facilita su adopción en proyectos comerciales.

Cómo probar el ensemble

Instalar la librería y cargar la receta es directo. La librería recomendada y la versión mínima para reproducir el ejemplo son:

pip install "granite-tsfm>=0.3.11"

Un ejemplo de uso (adaptado y simplificado) muestra cómo cargar el ensemble y generar predicciones:

import pandas as pd
from tsfm_public.models.ensemble.modeling_ensemble import QuantileEnsembleForecaster

# Dataset de ejemplo (serie de tiempo con columna 'date' y objetivo 'OT')
df = pd.read_csv(
    "https://raw.githubusercontent.com/zhouhaoyi/ETDataset/main/ETT-small/ETTh1.csv",
    parse_dates=["date"],
)

# Cargar la receta preentrenada (descarga checkpoints en la primera ejecución)
ensemble = QuantileEnsembleForecaster.from_pretrained(
    "ibm-granite/granite-timeseries-ensemble-r1",
)

# Hacer una predicción: contexto de 1024 pasos, horizonte de 24
result = ensemble(
    df.tail(1024),
    timestamp_column="date",
    target_columns=["OT"],
    context_length=1024,
    prediction_length=24,
)

# Salidas
print(result.prediction_outputs)  # pronóstico puntual
print(result.quantile_outputs)    # cuantiles (por defecto de 0.1 a 0.9)

Tengan en cuenta que la primera ejecución suele tardar más porque descarga los pesos de los modelos miembros. La receta almacena los ajustes de ensamblado pero no combina los pesos en un único modelo fusionado: el proceso agrega las salidas en tiempo de inferencia.

Cómo combina las predicciones: dos enfoques

Cada miembro produce pronósticos cuantílicos. La receta ofrece dos reglas para fusionar esas predicciones en una distribución única y su mediana:

1. Probabilistic Ensemble (predeterminado): aplica un “pooling” probabilístico con influencia igual para cada miembro. Agrupa las predicciones de cuantiles en el espacio de probabilidades y extrae los cuantiles solicitados. No hay ajuste de pesos ni parámetros que optimizar para una nueva serie; es una combinación simple y robusta que suele ser un buen punto de partida.

2. IQR Ensemble (alternativa adaptable): pondera a los miembros en función de la amplitud de su intervalo intercuartílico aproximado (IQR), dando más peso a miembros con intervalos más estrechos. Los pesos pueden variar por muestra, por horizonte y por variable objetivo. Para evitar problemas de sobreconfianza, la receta permite un parámetro de “temperatura” que acerca los pesos a la uniformidad y un tope que limita la influencia máxima de un solo miembro. Además, se emplea regresión isotónica para evitar que los cuantiles combinados se “crucen”.

Importante: un intervalo más estrecho no garantiza mayor precisión o buena calibración; la IQR Ensemble puede favorecer miembros sobreconfiados. Por eso la recomendación práctica es empezar con el Probabilistic Ensemble y solo comparar la variante IQR si la información de dispersión parece relevante para su caso.

Salidas y uso práctico

El ensemble devuelve una predicción puntual (por ejemplo, la mediana) y una colección de cuantiles —por defecto desde 0.1 hasta 0.9— que permiten construir intervalos de confianza (por ejemplo, 0.1 y 0.9 marcan un intervalo central con cobertura nominal del 80%). Esto es útil para:

• Planificación de inventario y políticas de seguridad de stock
• Pronóstico de demanda en retail con variaciones estacionales
• Predicción de carga y consumo en utilities y energía
• Monitorización de procesos industriales con señales suaves y ruidosas

Además, la receta está diseñada para extenderse: pueden incorporar otros forecasters compatibles y experimentar con distintas combinaciones sin reentrenar los modelos base.

Recomendaciones prácticas para equipos en América Latina

• Empiecen con el Probabilistic Ensemble como configuración por defecto; es simple, no requiere ajuste y reduce la necesidad de elegir entre modelos.
• Validen en conjuntos representativos de su operación local. Datos de América Latina pueden mostrar patrones estacionales (feriados regionales, campañas comerciales) y ruido de series de ventas que difieren de datasets académicos.
• Si su decisión depende fuertemente de la incertidumbre (por ejemplo, dimensionamiento de planta o compras críticas), comparen también la IQR Ensemble y controlen la calibración de los intervalos.
• Considere la latencia y el costo: la receta descarga varios checkpoints y realiza inferencias con múltiples modelos en tiempo de consulta; dimensionen la infraestructura según su SLA.

Consideraciones y limitaciones

• No hay reentrenamiento de los miembros ni ajuste de pesos basado en errores pasados; la receta está pensada para inferencia directa con modelos preentrenados.
• La calidad del ensemble depende de la diversidad y del desempeño individual de los miembros: si todos fallan en el mismo patrón, el ensamblado no corregirá ese sesgo.
• Para detalles de evaluación, limitaciones adicionales y checkpoints, revisen la ficha del modelo (model card) asociada a la receta en Hugging Face.

Conclusión

Granite Timeseries Ensemble ofrece una forma práctica y de bajo fricción para obtener predicciones probabilísticas a partir de modelos preentrenados. Para equipos en Latinoamérica que buscan una solución rápida y razonablemente robusta, la receta permite reducir la incertidumbre de “elegir el único modelo correcto” y facilita experimentar con distintas reglas de combinación sin reentrenar. Empiecen con el ensamblado probabilístico, validen en datos representativos y evalúen la versión IQR si la dispersión predictiva resulta informativa para su caso de uso.