Chronos-2：预测一条曲线，也能参考相关序列和已知计划

预测门店未来销量，除了历史销售额，往往还有营业安排、促销计划和假日信息。Chronos-2 能把这些材料放进同一个预测任务，也能让相关序列在推理时共享信息。它值得关注的地方，是预测不再只能围着一条曲线打转：哪些序列有关、哪些未来值已经知道，都能成为输入的一部分。

这是 Amazon 发布的预训练时间序列模型，具体权重是 amazon/chronos-2。它与早期 Chronos、Chronos-Bolt 同属一个项目，但架构和能力有区别；不能把旧版“数值转词元再生成”的流程直接当作 Chronos-2 的解释。官方模型卡

看一份有来有回的官方零售案例

论文选了 Rossmann 门店销售任务：预测下一季度的周销售额，输入历史销量、历史客流，以及营业、促销和假日等已知辅助信息。下面图中，前两行分别是只看单序列的预测和使用上下文学习的预测；蓝色为销量，粉色为预测，虚线右侧是预测范围。下方几行列出了营业、促销、学校假期、公共假日和客流。

官方实验图，来自论文图 7；SVG 经浏览器渲染。最下方客流在预测起点后不再提供观测值，促销等已知变量仍延伸到未来。阴影表示作者展示的预测区间。打开清晰原图

只看销量时，未来预测相对平缓；加上这些上下文后，模型在图示区间里更贴近销售的周期变化。处理过程不是读取一段“节假日销量会升高”的提示，而是把历史目标与辅助序列切成片段，结合时间位置和缺失标记一起编码，再输出未来的多个分位数。

这一例子给我的判断是：先确认未来哪些列真的拿得到，比寻找一个听起来更大的模型更有意义。历史客流与未来促销的角色并不相同，不能拿测试期的真实客流冒充事前已知条件。论文也说明，这份展示是作者挑选的、上下文学习改善较大的案例，不能用一张图代替全体任务的平均表现。论文第 5.2—5.3 节

Chronos-2 的组注意力会在同组序列之间交换信息，时间注意力则处理各条序列随时间的变化。一组可以是同一个任务的多个目标与辅助变量，也可以是一批具有相关来源或属性的序列。组的含义因此是建模选择，而不是随便把所有列放在一起。

论文把预测方式分开检验：在单变量任务上，共享上下文允许不同条目之间互相参考；在多变量任务上，额外改善较小；带协变量的任务改善最明显。这比一句“多变量总是更准”更值得记住。已有很长历史时，单序列模型也可能捕捉到大部分规律；其他曲线能否带来增量，要通过验证决定。

官方表格接口把这套思路做得比较直接：历史数据表含序列编号、时间戳、目标与辅助列；未来表提供预测区间的辅助值，但先删掉真实目标列。示例预测 24 步，返回点预测以及 0.1、0.5、0.9 分位数。分位数表达模型对不同位置的预测，不能直接承诺实际数据一定按比例落进区间。官方使用示例

Chronos-2 支持 CPU 与 GPU 推理，本地可通过项目推理包加载。仓库代码和该官方模型卡均标注 Apache-2.0；训练使用的真实数据集合、合成数据以及你自己输入的数据，仍要分别看来源和使用条件，不会因为模型许可就自动变成同一种授权。

它接收的协变量主要是数值与类别，不会直接理解一份新品发布稿或临时停业通知。对确有相关历史数据与未来安排的任务，我会先比较“只给目标历史”和“加入有效辅助信息”两个版本，确认增量来自哪里。Chronos-2 提供的是让这些材料参与预测的能力，是否有帮助，最终仍要落回同一份留出数据上。