IBM、時系列予測「Granite Ensemble R1」を公開

IBM Researchは2026年10月22日、Hugging Face上において、時系列予測基盤モデルを統合したアンサンブルレシピ「Granite Timeseries Ensemble（granite-timeseries-ensemble-r1）」を公開した。アーキテクチャの異なる4種類のオープンなGranite時系列モデルを組み合わせ、追加学習（再トレーニング）や重みの調整を行わずに、高精度な中央値予測および不確実性を表す分位点予測を出力する。大規模時系列ベンチマーク「GIFT-Eval」において、構成要素である単一モデルの集約精度を上回る結果を示しており、商用利用が可能なパーミッシブライセンスのもとで提供される。

異なる4つのモデル構造と2つの集約アルゴリズム

事前学習済みの時系列基盤モデルはデータセット固有の学習なしで予測を行えるが、産業センサーのような平滑な波形に強いモデルがある一方、小売需要のようなノイズの多いデータや長期の季節変動に強いモデルなど、データの性質によって最適なモデルは異なる。Granite Timeseries Ensembleは、気象予測におけるマルチモデル・アンサンブルの手法を導入することで、モデル選定の試行錯誤を減らし、安定した既定構成を提供する。

アンサンブルを構成する4つのGraniteモデル

本レシピは、予測の傾向や誤差の現れ方が異なる4つの独立したモデル構造を統合している。

構成モデル	基本アーキテクチャ	特徴
Granite PatchTST-FM-r1	Patched Transformer	時系列をパッチ単位に分割して処理する標準的Transformer構造
Granite PatchTST-FM-r2	Patched Conformer	コンボリューションと自己注意機構を組み合わせ局所・大域特徴を捕捉
Granite FlowState-r1.1	State-space model（状態空間モデル）	サンプリングレートの変化に柔軟に対応可能な連続時間表現モデル
Granite TTM-r3	Tiny Time Mixers（MLP mixer）	多層パーセプトロンをベースにした軽量・高速な予測構造

2種類の予測統合アプローチ

各モデルが出力した分位点予測を統合するため、本レシピでは2つの方式が用意されている。

1. Probabilistic Ensemble（推奨デフォルト）​: 各モデルに均等な重みを与え、確率空間上で一様プーリングを行う手法。過去データによる重みフィッティングが不要で、ハイパーパラメータの調整なしに頑健な予測値を出力する。
2. IQR Ensemble（適応型代替手法）​: 予測値のばらつき（四分位範囲: IQR）に基づいて各モデルの影響度を動的に調整する手法。予測区間が狭いモデルに大きな重みを与える。アイソトニック回帰を用いて予測分位点の逆転（交差）を防止している。

Pythonライブラリ granite-tsfm（バージョン0.3.11以上）をインストールすることで、Hugging Faceから直接レシピをロードして予測を実行できる。

GIFT-Evalベンチマークでの検証と単一モデルとの比較

IBM Researchは、97種類のデータセット構成を含む「GIFT-Eval」ベンチマークを用いて性能を評価した。評価指標には、点予測の精度を測るMASE（平均絶対スケール誤差、低いほど優れる）と、確率的予測の分布適合度を測るCRPS/MWQLが用いられた。

予測手法	集約MASE ↓	平均MASE順位 ↓	CRPS / MWQL ↓	平均CRPS順位 ↓
Granite Ensemble R1（Prob）​	0.683	47.175	0.471	50.948
Granite Ensemble R1（IQR）​	0.684	48.773	0.471	47.619
Granite PatchTST-FM-r2（単一最良）	0.685	51.371	0.467	48.918
Granite FlowState-r1.1	0.701	66.474	0.490	69.485
Granite PatchTST-FM-r1	0.717	74.794	0.488	68.134
Granite TTM-r3	0.724	83.062	0.520	88.959

集約MASEにおいて、Probabilistic Ensembleは0.683を記録し、単一モデルで最高精度を誇るPatchTST-FM-r2（0.685）を上回った。平均順位においても、単一モデルが苦手とする系列で極端にスコアを落とすリスクを抑制し、幅広いドメインで高い安定性を示している。

実運用における計算リソースとのトレードオフ

一方で、アンサンブルの採用には明確な制約が存在する。 本レシピは統合された重みファイルではなく、実行時に4つのモデルチェックポイントをすべてメモリ上へ展開する設計となっている。そのため、単一モデルの推論と比較してメモリ消費量と推論レイテンシが大幅に増加する。また、現行レシピでは多変量時系列の各チャネルを独立して処理しており、チャネル間の相関関係を活用できていない点にも留意が必要だ。

基盤モデル時代の時系列解析と今後の展望

時系列予測の現場では、これまでドメインやデータ特性ごとにモデル構造を選定し、個別にハイパーパラメータをチューニングする工程が不可避であった。

編集部注: 今回のGranite Timeseries Ensembleは、単一のスーパーモデルを追求するのではなく、得意領域の異なる中小モデルを組み合わせることで実務的な信頼性を担保する実用的なアプローチを示している。推論コストの制約が許容されるバッチ処理や重要意思決定の現場において、「どれか1つのモデルを選び損ねるリスク」を回避する強力な標準選択肢として普及が進むとみられる。

引用元：Hugging Face