A IBM Research publicou o Granite Timeseries Ensemble no Hugging Face. É uma receita que executa juntos quatro modelos Granite de séries temporais pré-treinados e funde as previsões deles em uma só. Previsores pré-treinados conseguem prever sem treinar nos seus dados, mas você ainda precisa escolher qual usar. O ensemble foi pensado para eliminar essa escolha.
O que vem dentro
A receita padrão combina quatro modelos de arquiteturas diferentes: Granite PatchTST-FM-r1 (transformer em patches), PatchTST-FM-r2 (conformer em patches), FlowState-r1.1 (modelo de espaço de estados) e TTM-r3 (Tiny Time Mixers, um mixer baseado em MLP). A receita guarda a configuração do ensemble, não pesos fundidos. Os checkpoints dos quatro membros são baixados em tempo de execução, então a primeira execução demora mais. A instalação exige o granite-tsfm na versão 0.3.11 ou superior.
A saída é uma previsão pontual mais previsões por quantis, por padrão de 0,1 a 0,9. Os quantis 0,1 e 0,9 formam um intervalo central com cobertura nominal de 80%. A IBM afirma que a receita e os membros Granite padrão têm licença permissiva.
Duas formas de combinar
O padrão recomendado é o Probabilistic Ensemble. Ele dá a cada membro a mesma influência e agrega as previsões por quantis, sem etapa de ajuste e sem pesos para calibrar. A alternativa é o IQR Ensemble, que dá mais peso aos membros com menor dispersão na previsão. A IBM alerta que um intervalo mais estreito não é necessariamente mais preciso e que essa ponderação pode favorecer um membro excessivamente confiante.
O que o benchmark mostra
A IBM avaliou as duas receitas em 97 configurações de datasets do GIFT-Eval, sem fine-tuning, com pontuações do leaderboard capturadas em 20 de outubro de 2026. Os resultados são mistos.
- No MASE, o Probabilistic Ensemble marcou 0,683 e o IQR Ensemble, 0,684. O melhor membro isolado, o PatchTST-FM-r2, marcou 0,685.
- No CRPS/MWQL, o PatchTST-FM-r2 manteve a menor pontuação (0,467, contra 0,471 dos dois ensembles).
- No ranking médio, o IQR Ensemble foi o melhor das seis previsões comparadas no CRPS, enquanto o Probabilistic Ensemble liderou no MASE.
- Entre os sistemas elegíveis, a abordagem de ensemble fica em 3º lugar tanto no MASE Rank quanto no CRPS Rank. A IBM observa que alguns sistemas excluídos, como os ajustados com fine-tuning ou sem licença permissiva, têm resultado melhor.
A própria IBM chama de pequena a margem sobre o melhor membro isolado. O benefício apontado é a robustez: precisão agregada comparável ou melhor, sem saber de antemão qual arquitetura combina com os seus dados.
Limites
A receita atual prevê canais multivariados de forma independente e não usa informação entre canais. Carregar quatro checkpoints aumenta o tempo de inferência e o uso de memória em comparação com um único modelo. Os membros diferem em limites de contexto, horizontes, pré-processamento e tratamento de valores ausentes. Nenhum dos dois métodos de agregação garante calibração diante de mudança de distribuição, então as previsões precisam de monitoramento depois da implantação.
A interface comum Forecaster também aceita modelos externos compatíveis, de modo que a composição dos membros ou o método de agregação podem mudar sem alterar o formato da saída. O repositório traz ainda receitas expandidas, que incluem outros checkpoints da IBM Research, mas eles têm termos próprios, com restrições de uso não comercial e de pesquisa. Leia o model card de cada modelo antes de usá-los.
Como a IBM sugere testar
A IBM recomenda fazer backtest em janelas históricas que correspondam ao seu horizonte e às suas séries. Compare o Probabilistic Ensemble, o IQR Ensemble e um bom membro isolado nas mesmas janelas. Verifique a perda por quantis junto com o MASE e compare a cobertura empírica do intervalo de 0,1 a 0,9 com os 80% nominais. Registre também o tempo de execução e o uso de memória.