A IBM Research publicou no Hugging Face uma receita para combinar previsões de quatro modelos Granite de séries temporais. Chamada Granite Timeseries Ensemble, a solução produz previsões pontuais e quantis sem exigir novo treino nos dados do utilizador. O artigo foi publicado a 22 de outubro de 2026 e apresenta o método como uma forma de reduzir a necessidade de escolher manualmente um único modelo para cada série.
A configuração predefinida reúne Granite PatchTST-FM-r1, Granite PatchTST-FM-r2, Granite FlowState-r1.1 e Granite TTM-r3. Os modelos usam, respetivamente, arquiteturas Transformer com patches, Conformer com patches, espaço de estados e Tiny Time Mixers. Segundo os autores, estas arquiteturas podem captar tendências, sazonalidade e variações locais de formas diferentes. A publicação assinala, porém, que a qualidade e a diversidade dos membros continuam a ser importantes.
A opção predefinida, designada Probabilistic Ensemble, dá influência igual a cada membro, combina as previsões quantílicas no espaço de probabilidades e extrai daí os quantis pedidos. Não ajusta pesos com base em erros históricos nem exige parâmetros de ponderação a afinar para uma nova série. Os autores recomendam começar por esta alternativa, que aplica uma regra de ponderação uniforme às previsões probabilísticas.
A segunda opção, IQR Ensemble, adapta a influência de cada membro à amplitude do intervalo previsto: previsões com intervalos mais estreitos recebem maior peso. O método aproxima o intervalo interquartil de cada membro com os quantis disponíveis mais próximos dos percentis 25 e 75. Os pesos variam por amostra, variável de destino e passo do horizonte. Também neste método não há ajuste com base em erros de previsões anteriores. A publicação apresenta-o como alternativa a comparar, não como uma escolha universalmente superior.
A interface devolve uma previsão pontual e previsões por quantil, que podem ser usadas para representar intervalos de previsão. Por predefinição, os quantis vão de 0,1 a 0,9. No exemplo publicado, os quantis 0,1 e 0,9 formam um intervalo central com cobertura nominal de 80%; a cobertura é nominal, não uma garantia de que se verifique em todos os dados. A implementação usa a biblioteca Granite TSFM e mostra como carregar a configuração, fornecer uma série e definir o contexto e o horizonte de previsão.
A configuração guarda a receita do ensemble, em vez de pesos de modelos fundidos, e descarrega os quatro pontos de controlo durante a execução; os autores avisam que a primeira utilização pode demorar mais. A publicação afirma que a receita e os membros Granite predefinidos têm licenças permissivas. Também descreve a possibilidade de estender a interface a outros modelos compatíveis e recomenda avaliar a receita para cada aplicação. O material fornecido não demonstra que a combinação supere sistematicamente os modelos individuais.
Porque importa
Combinar modelos pode reduzir a dependência de uma única arquitetura, mas a utilidade da receita terá de ser avaliada em cada conjunto de dados e aplicação. A publicação descreve o método e disponibiliza uma implementação, sem demonstrar uma melhoria geral.