こんにちは、コバタカです。
最近はAIエージェントを使って、作って、楽しんでいます。
LLMと同様、時系列予測においても基盤モデルの活用が近年進んでいます。
今回紹介するChronos-2は、AmazonがOSSとして公開している時系列データ処理向けの基盤モデルです。
以前、本ブログでChronos-Boltの紹介がありましたが、Chronos-2はその後継モデルとなります。
様々な時系列データに対応するように学習されており、ZeroShotでも高い精度での予測が可能となっているモデルです。
この記事では、そのChronos-2について紹介していきます。
なお、Chronos-Boltの解説については以下をご覧ください。
acro-engineer.hatenablog.com
Chronos-2について
Chronosは予め様々な時系列を学習させておくことで、適用するデータの学習をせずとも時系列予測ができるモデルです。
Chronos, Chronos-Boltと公開されており、Chronos-2はその後継となるモデルです。
代表的な改良点として、Chronos-Boltは単変量（１系列のデータ処理）のみ対応していましたが、Chronos-2では多変量（複数系列のデータ処理）に対応しました。
huggingface.co
コンテキスト内学習（ICL）を活用したアーキテクチャで精度改善
Chronos-2では、コンテキスト内学習（ICL, In Context Learning）を活用して、
単変量時系列間を考慮した予測をできるようになりました。
例えば、Chronos Boltだと、温度を予測する場合、温度のみしかChronos Boltには入力することができませんでした。
しかし、Chronos-2では、関連してそうな、温度と湿度を入力し、考慮するといったようなことができます。
この時系列同士の相互作用も考慮に入れたアーキテクチャによって、より正確な予測を実現しています。
多変量予測で複数の時系列をまとめて予測できる
多変量予測とは、複数の時系列を同時に予測することです。
Chronos / Chronos-Boltでは単変量予測しか対応していませんでしたが、Chronos2からは多変量予測が可能になりました。
これは単にまとめて予測を実行できるだけでなく、互いの依存関係もとらえることができ、精度の向上を図ることができます。
Chronos-2を使った時系列予測
概要
この記事では以下の３つを紹介します。
| 内容 | 説明 |
|---|---|
| ゼロショット | 学習なしでの推論 |
| FineTuning | 学習ありでの推論 |
| 多変量推論 | 複数の時系列を対象に推論を実施する |
準備
必要なライブラリのインストール
Chronos-2を利用するため、chronos-forecastingライブラリをインストールします。
pip install "chronos-forecasting>=2.0"
データセット
今回の検証では、Kaggleで公開されている「Global Capitals Real-time Weather Data (2025)」を利用します。
世界中の首都の各種気象情報がまとめられています。
www.kaggle.com
また、このままでは検証に利用できないため、以下のように加工します。
from datetime import datetime import pandas as pd used_columns = [ "utc_time", "capital", "temp_max", "humidity", "feels_like", "visibility", "precipitation", "cloudcover", "wind_speed", "wind_gust", "wind_direction", "pressure" ] weather_df = pd.read_csv('data/weather/original/countries-v1.csv')[used_columns] weather_df['utc_time'] = pd.to_datetime(weather_df['utc_time']).dt.floor('S') train_df = weather_df[weather_df['utc_time'] < datetime(2025, 10, 25)] test_df = weather_df[weather_df['utc_time'] >= datetime(2025, 10, 25)] future_df = test_df.drop(columns="temp_max")
利用する主要なパラメータはこちらです。
| 項目 | 説明 |
|---|---|
| utc_time | 日時(UTC) |
| capital | 首都名 |
| temp_max | 最高気温 ★今回の予測値① |
| humidity | 湿度 ★今回の予測値② |
| precipitation | 降水量 |
| wind_speed | 風速 |
| pressure | 気圧 |
ゼロショット予測
ゼロショットの推論は以下の実装で対応できます。
id_columnがグルーピングするカテゴリ、timestamp_columnが時間を表す列名です。
なお、特に設定はなくとも、予測対象としているtemp_max以外のカラムも予測に利用されます。
pipeline = Chronos2Pipeline.from_pretrained("amazon/chronos-2", device_map="cpu") predict_df = pipeline.predict_df( train_df, future_df=future_df, prediction_length=20, # Number of steps to forecast quantile_levels=[0.1, 0.5, 0.9], # Quantiles for probabilistic forecast id_column="capital", # Column identifying different time series timestamp_column="utc_time", # Column with datetime information target="temp_max", # Column(s) with time series values to predict )
この結果を可視化したのが以下のグラフです。
青線が過去の実績値、緑線が対象期間の実績値、紫が予測値です。そのため、紫線が緑線に近いほど予測の精度が高いことになります。
紫は線の上下が網掛けになっていますが、これは80%信頼区間を示しています。
なお、同条件でChronos-Boltで予測した結果が以下の通りです。
明らかにChronos-2の方が精度良く予測できていることが分かります。
FineTuning
続いて、FineTuningして学習した結果を利用して、時系列予測を行います。
FIneTuningは以下の実装でできます。FineTuningした後のPipelineが作成されるので、それを使うことでゼロショットと同様に推論できます。
finetuned_pipeline = pipeline.fit(
inputs=train_inputs,
prediction_length=20,
num_steps=50,
learning_rate=1e-5,
batch_size=32,
logging_steps=10,
)
predict_df = finetuned_pipeline.predict_df(
train_df,
future_df=future_df,
prediction_length=20,
quantile_levels=[0.1, 0.5, 0.9],
id_column="capital",
timestamp_column="utc_time",
target="temp_max",
)FineTuning後の推論結果が以下の通りです。
拡大した以下のグラフを見るとゼロショットよりも一致率が高く、何よりChronos-Boltよりも精度が高いのは明らかです。
多変量予測
Chronos-2では新たに多変量予測が導入されています。
複数の変数をまとめて予測する仕組みで、実装も以下の通りtargetを複数与えるだけです。
pipeline = Chronos2Pipeline.from_pretrained("amazon/chronos-2", device_map="cpu") predict_df = pipeline.predict_df( train_df, future_df=future_df, prediction_length=20, quantile_levels=[0.1, 0.5, 0.9], id_column="capital", timestamp_column="utc_time", target=["temp_max", "humidity"], )
多変量予測した結果が以下です。気温については変わらず高い精度が保たれています。
湿度の予測も単変量での予測と比較すると、実測値に近づいていることが分かります。
まとめ
Chronos-2による時系列予測を試していきました。
実装の容易さは変わりなく、かつ精度面でも従来のChronos-Boltを上回る様子が見られました。
モデルそのものも軽量で、CPU(M1Mac, 16GB)でも50epochのFineTuningに45秒、予測は１秒以内に完了します。
また、新たに導入された多変量予測も相乗効果での精度改善が見られます。
こうした基盤モデルを活用して、手軽かつ高精度に時系列予測できるのは活用の幅に期待ができそうです。
Acroquest Technologyでは、キャリア採用を行っています。
- Azure OpenAI／Amazon Bedrock等を使った生成AIソリューションの開発
- ディープラーニング等を使った自然言語／画像／音声／動画解析の研究開発
- マイクロサービス、DevOps、最新のOSSやクラウドサービスを利用する開発プロジェクト
- 書籍・雑誌等の執筆や、社内外での技術の発信・共有によるエンジニアとしての成長
少しでも上記に興味を持たれた方は、是非以下のページをご覧ください。
