IBM Granite Timeseries Ensemble, 4개 모델 결합으로 벤치마크 성능 상회

• IBM Research가 사전 학습된 4개 모델(Granite PatchTST-FM-r1, Granite PatchTST-FM-r2, Granite FlowState-r1.1, Granite TTM-r3)을 결합한 Granite Timeseries Ensemble 레시피를 공개함
• 재학습 없이 중앙값 및 분위수 예측을 제공하며, GIFT-Eval 벤치마크(2026년 10월 20일 스냅샷)에서 Probabilistic Ensemble이 MASE 0.683, MASE Rank 47.175를 기록함
• 단일 모델 중 최고 성능을 보인 Granite PatchTST-FM-r2(MASE 0.685)보다 우수한 결과 달성함
• IQR Ensemble 변형은 예측 분포에 기반한 적응형 가중치를 적용하여 평가된 6개 시스템 중 가장 낮은 평균 CRPS Rank 47.619를 기록함
• 외부 호환 모델 추가를 위한 Forecaster 인터페이스를 지원하며, Hugging Face와 granite-tsfm GitHub 저장소에서 이용 가능함
• 4개 체크포인트 로딩으로 인해 단일 모델 대비 추론 시간 및 메모리 사용량 증가함

Aggregation Methods

• Probabilistic Ensemble은 확률 공간에서 균일한 확률 풀링을 사용하여 피팅이나 하이퍼파라미터 튜닝이 불필요함
• IQR Ensemble은 예측의 사분위수 범위(IQR)에 따라 가중치를 부여하여 예측 구간이 좁은 멤버의 영향력을 높이고, 아이소토닉 회귀를 통해 분위수 교차를 방지함

Limitations and Usage

• 다변수 채널을 독립적으로 예측하며 채널 간 정보 활용을 하지 않음
• 사용자는 대표 데이터로 백테스팅을 수행하고, Granite PatchTST-FM-r2와 같은 강력한 단일 멤버와 비교하여 보정(calibration) 및 런타임 비용을 검증할 것을 권장함