Streamhouse 中的时序模型:新前沿与使用案例

媒体报道 Hugging Face 原文语言:英文

IBM Research 在 Hugging Face 上发布的一篇博客文章。

全文

企业文章

由拥有超过 5000 万次下载的 IBM 时间序列模型提供支持的实时预测、异常检测和优化。现已在 Confluent 上原生可用(涵盖云端和本地),并在 CPU 上运行。

每家企业都会生成关于变化的连续记录:机器读数、付款、销售、订单或库存变动。这些观测值构成了时间序列,它们携带的信号可以帮助团队预测接下来会发生什么。

面临的挑战是如何在这些信号仍然具有价值时将其转化为决策。在生产运行、缺货或付款授权之后才交付的预测可能很准确,但为时已晚,无法影响结果。

IBM 和 Confluent 正在将时间序列基础模型更紧密地结合到流式传输中的数据。借助 Apache Flink,团队可以使用 SQL 将预测、异常检测和语义智能应用于流式数据,从而使模型输出可供负责下一步行动的应用程序和人员使用。

基础模型改变了组织处理文本、图像和文档的方式。时间序列基础模型通过从多样化的历史数据中学习通用模式,然后将该知识应用于新的序列和任务,将类似的理念扩展到数值数据。这些模型可以提供一个起点,而无需团队为每个序列训练单独的模型。根据任务和部署情况,团队还可以微调模型或将其实际输出与其他数据和业务逻辑相结合。

图 1. 超过 5000 万次下载,以及其背后的四款模型系列

现在,时间序列基础模型作为内置函数在 Confluent 内部(云端和本地)原生运行。在 Confluent Cloud 中,它们是完全托管的,无需部署(文档)。在本地,这些模型可以使用适用于 Apache Flink 的 Confluent Platform 在您自己的基础架构中运行(文档)。这些模型在 CPU 上运行,无需 GPU。

这些模型可以支持一系列关键任务用例,从帮助保持生产线符合规范、检测异常的门店活动,到改进产品级规划。它们还可以提供用于评估刷卡支付和预测交易量以帮助下达大单的信号。这些构建块可应用于制造、零售、银行和航空业,将洞察带到更接近决策制定的地方。

了解时间序列与实时上下文如何结合创造价值:

Streamhouse:面向智能体时代的实时数据与智能

企业在持续运营。订单不断更新、付款陆续到来、货运出现延迟,库存全天都在发生变化。然而,这些事件背后的信息往往散落在以不同时间更新或依赖定期批处理过程的系统中。当应用程序和 AI 智能体根据过时或不一致的信息采取行动时,它们可能会做出不再反映现实情况的决策。

Streamhouse 通过持续捕获、处理、管理和提供当前的业务上下文来解决这个问题。Confluent 的数据流平台汇聚了五大功能——连接、流式传输、处理、管理和查询——使这些上下文可用于应用程序、分析和智能体。Apache Flink 在数据流经时对其进行转换和丰富,而 Lightning Tables 则提供对当前状态的低延迟访问。

图 2. Confluent 上的 Streamhouse:从现有数据源到智能体、应用程序、分析和湖仓一体在任何地方使用的当前业务上下文。

时间序列模型为该架构增添了预测能力。Flink 可以准备数据、调用预测和异常检测,并使结果与产生它们的事件一起可用。其他模型(包括大语言模型、统计模型和专用的机器学习系统)可以在适用的地方发挥作用。

图 3. Streamhouse 的智能层:时间序列模型、大语言模型以及机器学习和统计模型,并在它们之间进行统筹编排。

这种方法可以从三个方面帮助团队:

-扩展模型开发。预训练模型可以为许多时间序列提供一个共同的起点,从而减少为每个时间序列开发和维护单独模型的需求。

-随着数据的变化刷新预测。作为流工作流的一部分,预测可以纳入最近的观测值,具体取决于模型的要求和管道的配置。

-将信号更靠近决策。预测和异常可以更快地路由到运营应用,团队可以将其与业务背景、规则和人工判断相结合。

-在CPU上运行紧凑模型。模型足够小,可在标准CPU上与流式管道一起运行,无论是在云端还是本地,都能减少对专用GPU基础设施的需求并简化部署。

图 4. 在 Confluent 上的流原生时间序列智能

关键任务用例遍布真实企业

以下场景展示组织如何将时间序列模型、流数据和应用逻辑相结合。

用例 1 | 生产优化:每个容器都符合规格

冰淇淋生产线的质量取决于过量空气——即混合物中掺入的空气量。如今,工艺工程师和操作员依赖于在容器装满后进行的质量检测实验室测量。如果新的奶油批次或温暖潮湿的天气改变了工艺,团队看到结果时,可能已经需要对数小时的产量进行返工。

为了提前发现问题,预训练的 TTM 模型每 10 分钟读取一次 SCADA 遥测和质量检测数据。它预测四小时后符合规格的容器比例,并给出可能的范围。

当预测低于工厂目标时,优化过程会评估冷冻机抽取温度和气流的组合。由于模型将这些控制变量作为输入,它可以在生产线任何变化之前对每个选项进行打分。操作员批准推荐的设定点,而常规调整可以在预定义的安全范围内自动化执行。

结果是更主动的工艺:减少返工、降低每吨能耗并提升质量一致性。同样的方法可用于烤箱、干燥机、窑炉和磨机。

图 5. 产品质量预测帮助操作员在调整前评估冷冻机设定点。

用例 2 | 异常检测:从标记到正确行动

门店运营团队监控数千种产品在数百家门店的销售情况。固定阈值常常标记出可预测的周末高峰,却漏掉较为平静的变化,例如某产品的销量低于预期。随着警报累积,团队越来越难以确定重点关注的对象。

AI_DETECT_ANOMALIES 为每条销售序列提供基于其近期历史的预期范围。每个新读数都会与该范围进行比较,置信水平由团队自行选择,无需为每个产品和门店单独训练模型。

当销售额超出预期范围时,可将该信号与库存和门店数据结合,以帮助识别可能原因并推荐后续步骤——例如检查货架或补货。同样的方法可用于机器传感器、API 遥测、计量读数和支付量。

图 6. 门店销售与预期范围对比。在所示视图中,重复出现的高峰仍在范围内,未标记异常。

用例 3 | 供应链规划:每个 SKU、每家门店、每小时

品类规划师和补货团队需要在每家门店保持产品可用,同时避免库存过剩。但预测往往每周刷新一次,通常只关注畅销产品,长尾产品则使用更简单的规则管理。当销售模式在规划周期之间变化时,某些门店可能缺货,而另一些门店库存过多。

使用 AI_FORECAST,预训练模型可以对产品和门店的需求进行预测。在本例中,它生成 28 天的预测并提供 P10–P90 范围,随着新销售数据的到来实时刷新。规划应用将预测与库存、交货时间以及规划师选择的服务水平相结合,计算再订货点。

当库存预计跌破该点时,代理可以起草采购订单供审阅。同样的方法可支持备件、人员、ATM 现金以及能源需求的规划。

图 7. 门店层面的需求预测用于确定再订货点并提出燕麦奶的采购订单建议。

用例 4 | 欺诈与安全:每张卡都有自己的正常模式

欺诈团队已经依赖复杂的规则和模型来评估交易。一个持续的挑战是,对许多持卡人统一应用的阈值可能并不能反映每个人的正常消费方式。

时间序列信号可以增加这种个性化的上下文。在此例中,每笔支付都会与基于该卡近期历史记录的预期消费范围进行比较。超出该范围的交易将连同其他信号和业务规则一起作为附加输入,传递给银行现有的欺诈检测系统。

随后,银行可以决定是批准支付、要求进行附加身份验证,还是进一步调查。相关决定及其背后的信号可以保留以供审查。

图 8. 在一个说明性的欺诈工作流中,超出卡片预期消费范围的支付会触发升级身份验证。

用例 5 | 交易:根据行情调整订单节奏

执行交易台需要将大额订单拆分为较小的交易,同时管理其对市场的影响。历史交易量曲线提供了一个起点,但今天的交易活动可能与平均水平大不相同。

在每个一分钟K线上,PatchTST-FM会预测未来30分钟的交易量,并提供 P10–P90 的范围。执行算法会使用该预测,在交易台设定的参与度限制内调整订单的节奏。

如果新闻事件改变了市场活动,算法可以暂停并重新规划。如果交易比预期更为冷清,它可以减小每个分拆订单的规模,并发出该订单可能需要更长时间才能完成的信号。每个预测结果及由此产生的执行决策都可以保留在审计追踪中。

图 9. 交易量预测为 100,000 股订单的拟议执行计划提供参考。

用例 6 | 语义搜索:寻找每一个具有相似特征的信号

正在调查异常传感器模式的可靠性工程师可能希望了解工厂其他地方是否也出现过类似的行为。

TSPulse 可以生成支持相似性搜索的时间序列窗口表示。在一个单独构建的应用中,这些表示可以被索引并用于检索跨设备的的历史模式。工程师可以搜索诸如尖峰与恢复、缓慢上升或阶跃变化等形态,然后检查相关的维护记录和运行状况。

此应用需要嵌入(embedding)管道、索引以及相关上下文的访问权限。相似性有助于缩小调查范围;它本身并不能确定根本原因。

图 10. 时间序列嵌入可以支持在不同设备和其他信号之间搜索相似的模式。

特定行业应用

相同的模型和构建块可以支持跨行业的不同工作流:

工业人工智能:从传感器到设定点。工厂经理希望每一批产品都符合规格,且没有任何生产线因突发状况而停工。SCADA、QA实验室和能耗仪表的实时数据流在到达时即会被预测。当质量开始漂移时,生产优化会调整设定点;异常检测会标记任何没有编写过规则的读数;语义搜索则会找出所有在故障发生前表现出相同模式的泵。设定点、工作指令和警报会在生产周期内到达车间,而不是在下一次交接班报告中。

图 11. 工厂数字孪生,从传感器到设定点。一个新的奶油批次使膨胀率偏离了目标。预测读取生产线数据,智能体建议新的抽取温度和气流,操作员批准后,产品容器重新符合规格。模拟数据。

零售:门店及其供应链。店长希望周六货架满满,而周一又不会过度库存。系统会预测每个门店中每款产品的销售、天气和促销数据流。供应链规划设定订单,异常检测捕捉空置的货架或错失的交付,欺诈与安全模块则拦截可疑卡片。订单、门店任务和拦截指令在货架变空之前发出。

图 12. 门店数字孪生,门店及其供应链。燕麦奶的促销活动即将来临。预测将促销价格计入并设定再订货点,智能体提出采购订单,规划人员批准,货架在促销当天便会填满。模拟数据。

银行:支付与交易台。欺诈负责人希望在不阻碍优质客户的同时制止盗卡测试,而交易员则希望在不推高价格的情况下完成大宗订单。每一个卡片和每一个代码都根据其自身的预期模式逐个事件进行评分。欺诈与安全模块在授权前拦截异常刷卡,异常检测识别出不寻常的资金流,而交易则根据预测的交易量来调整每个订单的节奏。

航空公司:枢纽运营、机队和网络。运营控制希望在仍有时间采取行动时看到即将发生的中断。发动机、登机口和网络流在实时中进行预测和检查。异常检测捕捉漂移的发动机读数,生产优化重新平衡登机口和机组人员,供应链规划将备件放置在飞机将要到达的地点。

在每个行业,Streamhouse 都执行相同的工作:Flink 运行 Granite 模型进行预测、检测和优化,Streaming Agents 在实时上下文中采取行动,人员批准例外情况。

在 Confluent 上探索这些模型,了解时间序列智能如何支持实时决策。

了解更多

代码和笔记本:github.com/ibm-granite/granite-tsfm

使用 IBM 时间序列模型在 Confluent 上实现实时智能

使用 IBM Granite 时间序列模型进行集合预测

IBM 发布具商业友好许可证的 SOTA Granite 时间序列 PatchTST-FM-r2 模型

Confluent Intelligence and AI Tools 新功能:将 Agents 原生化到流中、扩展模型支持、新的 Agent 技能以及 Confluent Assistant

Confluent 数据流平台 2026 年第四季度新功能

Confluent Platform for Apache Flink 2026 年 11 月新功能

正文为 AI 译文。

参考来源

← 返回每日AI报告