Cisco Time Series Model架构揭秘多分辨率Transformer如何突破长序列预测瓶颈【免费下载链接】cisco-time-series-model-1.0-preview项目地址: https://ai.gitcode.com/hf_mirrors/cisco-ai/cisco-time-series-model-1.0-previewCisco Time Series Model是一款专为单变量零样本预测设计的基础模型其核心采用解码器-仅Transformer层结构基于TimesFM2.0模型进行多分辨率改进旨在高效利用长上下文信息突破长序列预测瓶颈。该模型通过创新的多分辨率输入设计能够处理高达30,720个数据点的长序列为时间序列预测领域带来革命性的解决方案。多分辨率Transformer突破长序列预测瓶颈的核心创新传统时间序列预测模型在处理长序列时往往面临计算效率与预测精度的两难困境。Cisco Time Series Model创新性地引入多分辨率上下文输入机制彻底改变了这一局面。模型要求输入两种分辨率的上下文数据xc和xf其中xc的分辨率是xf的60倍。例如若xf包含截至11:00的512分钟数据xc则应包含截至同一时间的512小时数据。这种设计使模型能够同时捕捉长期趋势和短期波动实现高精度的128点预测输出。模型架构解析分辨率嵌入与特殊标记的巧妙融合Cisco Time Series Model的架构在TimesFM基础上进行了关键改进引入了分辨率嵌入Resolution Embeddings和特殊标记Special Token两大创新组件。这些新增元素使模型能够有效区分和处理不同分辨率的输入数据大幅提升了对多尺度时间模式的捕捉能力。多分辨率时间序列输入的直观展示多分辨率输入机制是Cisco Time Series Model的核心特色。通过将高分辨率的细粒度数据与低分辨率的长期趋势数据相结合模型能够在保持计算效率的同时充分利用长序列信息。以下示例展示了模型如何处理包含1小时上下文的多分辨率时间序列输入直观呈现了不同分辨率数据的对齐方式和互补关系。训练数据揭秘300B数据点打造的预测利器Cisco Time Series Model的强大性能源于其海量的训练数据。模型在TimesFM权重基础上使用超过300B独特数据点进行了额外训练。训练集的50%以上来自Splunk Observability Cloud的内部部署指标时间序列数据约35%为1小时1分钟分辨率15%为5小时5分钟分辨率。此外30%的数据来自GIFT-Eval预训练语料库5%来自Chronos数据集剩余15%为合成多分辨率数据。这种多样化的训练数据确保了模型在各种实际场景中的泛化能力。实用指南轻松上手多分辨率时间序列预测环境准备快速安装步骤要开始使用Cisco Time Series Model首先需要克隆仓库并安装依赖git clone https://gitcode.com/hf_mirrors/cisco-ai/cisco-time-series-model-1.0-preview cd cisco-time-series-model-1.0-preview pip install -r requirements.txt关键使用注意事项数据预处理若输入时间序列存在缺失值建议使用最后一个有效值进行填充。如果序列自然稀疏导致填充比例超过30%模型预测性能可能会下降。输入长度模型在提供更多粗分辨率历史数据时表现更佳过短的输入可能导致性能受损。分位数预测目前模型的分位数预测尚未经过严格校准和评估因此在使用分位数结果时需谨慎。单序列与多序列预测示例Cisco Time Series Model支持单序列和多序列预测同时还提供长 horizon 预测功能。通过简单的API调用用户可以轻松实现不同场景下的时间序列预测任务。模型输出包括预测均值和多个分位数为决策提供全面的参考信息。总结多分辨率Transformer引领时间序列预测新方向Cisco Time Series Model通过创新的多分辨率输入设计和Transformer架构成功突破了长序列预测的计算瓶颈为时间序列预测领域带来了新的解决方案。其高效处理长上下文的能力和优异的预测性能使其在工业监控、金融预测、能源管理等众多领域具有广泛的应用前景。随着模型的不断优化和完善我们有理由相信多分辨率Transformer将成为未来时间序列预测的主流技术之一。引用与致谢如果您在研究中使用了Cisco Time Series Model请考虑引用相关技术报告misc{gou2025ciscotimeseriesmodel, title{Cisco Time Series Model Technical Report}, author{Liang Gou and Archit Khare and Praneet Pabolu and Prachi Patel and Joseph Ross and Hercy Shen and Yuhan and Song and Jingze Sun and Kristal Curtis and Vedant Dharnidharka and Abhinav Mathur and Hao Yang}, year{2025}, eprint{2511.19841}, archivePrefix{arXiv}, primaryClass{cs.LG}, url{https://arxiv.org/abs/2511.19841}, }感谢所有为Cisco Time Series Model开发做出贡献的研究人员和工程师他们的努力使得这一创新模型得以实现并开源。【免费下载链接】cisco-time-series-model-1.0-preview项目地址: https://ai.gitcode.com/hf_mirrors/cisco-ai/cisco-time-series-model-1.0-preview创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Cisco Time Series Model架构揭秘：多分辨率Transformer如何突破长序列预测瓶颈
Cisco Time Series Model架构揭秘多分辨率Transformer如何突破长序列预测瓶颈【免费下载链接】cisco-time-series-model-1.0-preview项目地址: https://ai.gitcode.com/hf_mirrors/cisco-ai/cisco-time-series-model-1.0-previewCisco Time Series Model是一款专为单变量零样本预测设计的基础模型其核心采用解码器-仅Transformer层结构基于TimesFM2.0模型进行多分辨率改进旨在高效利用长上下文信息突破长序列预测瓶颈。该模型通过创新的多分辨率输入设计能够处理高达30,720个数据点的长序列为时间序列预测领域带来革命性的解决方案。多分辨率Transformer突破长序列预测瓶颈的核心创新传统时间序列预测模型在处理长序列时往往面临计算效率与预测精度的两难困境。Cisco Time Series Model创新性地引入多分辨率上下文输入机制彻底改变了这一局面。模型要求输入两种分辨率的上下文数据xc和xf其中xc的分辨率是xf的60倍。例如若xf包含截至11:00的512分钟数据xc则应包含截至同一时间的512小时数据。这种设计使模型能够同时捕捉长期趋势和短期波动实现高精度的128点预测输出。模型架构解析分辨率嵌入与特殊标记的巧妙融合Cisco Time Series Model的架构在TimesFM基础上进行了关键改进引入了分辨率嵌入Resolution Embeddings和特殊标记Special Token两大创新组件。这些新增元素使模型能够有效区分和处理不同分辨率的输入数据大幅提升了对多尺度时间模式的捕捉能力。多分辨率时间序列输入的直观展示多分辨率输入机制是Cisco Time Series Model的核心特色。通过将高分辨率的细粒度数据与低分辨率的长期趋势数据相结合模型能够在保持计算效率的同时充分利用长序列信息。以下示例展示了模型如何处理包含1小时上下文的多分辨率时间序列输入直观呈现了不同分辨率数据的对齐方式和互补关系。训练数据揭秘300B数据点打造的预测利器Cisco Time Series Model的强大性能源于其海量的训练数据。模型在TimesFM权重基础上使用超过300B独特数据点进行了额外训练。训练集的50%以上来自Splunk Observability Cloud的内部部署指标时间序列数据约35%为1小时1分钟分辨率15%为5小时5分钟分辨率。此外30%的数据来自GIFT-Eval预训练语料库5%来自Chronos数据集剩余15%为合成多分辨率数据。这种多样化的训练数据确保了模型在各种实际场景中的泛化能力。实用指南轻松上手多分辨率时间序列预测环境准备快速安装步骤要开始使用Cisco Time Series Model首先需要克隆仓库并安装依赖git clone https://gitcode.com/hf_mirrors/cisco-ai/cisco-time-series-model-1.0-preview cd cisco-time-series-model-1.0-preview pip install -r requirements.txt关键使用注意事项数据预处理若输入时间序列存在缺失值建议使用最后一个有效值进行填充。如果序列自然稀疏导致填充比例超过30%模型预测性能可能会下降。输入长度模型在提供更多粗分辨率历史数据时表现更佳过短的输入可能导致性能受损。分位数预测目前模型的分位数预测尚未经过严格校准和评估因此在使用分位数结果时需谨慎。单序列与多序列预测示例Cisco Time Series Model支持单序列和多序列预测同时还提供长 horizon 预测功能。通过简单的API调用用户可以轻松实现不同场景下的时间序列预测任务。模型输出包括预测均值和多个分位数为决策提供全面的参考信息。总结多分辨率Transformer引领时间序列预测新方向Cisco Time Series Model通过创新的多分辨率输入设计和Transformer架构成功突破了长序列预测的计算瓶颈为时间序列预测领域带来了新的解决方案。其高效处理长上下文的能力和优异的预测性能使其在工业监控、金融预测、能源管理等众多领域具有广泛的应用前景。随着模型的不断优化和完善我们有理由相信多分辨率Transformer将成为未来时间序列预测的主流技术之一。引用与致谢如果您在研究中使用了Cisco Time Series Model请考虑引用相关技术报告misc{gou2025ciscotimeseriesmodel, title{Cisco Time Series Model Technical Report}, author{Liang Gou and Archit Khare and Praneet Pabolu and Prachi Patel and Joseph Ross and Hercy Shen and Yuhan and Song and Jingze Sun and Kristal Curtis and Vedant Dharnidharka and Abhinav Mathur and Hao Yang}, year{2025}, eprint{2511.19841}, archivePrefix{arXiv}, primaryClass{cs.LG}, url{https://arxiv.org/abs/2511.19841}, }感谢所有为Cisco Time Series Model开发做出贡献的研究人员和工程师他们的努力使得这一创新模型得以实现并开源。【免费下载链接】cisco-time-series-model-1.0-preview项目地址: https://ai.gitcode.com/hf_mirrors/cisco-ai/cisco-time-series-model-1.0-preview创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考