IBM Research、4種のGraniteモデルを統合した時系列アンサンブル予測レシピを公開

要点

• IBM Researchは2026年10月22日、時系列予測向けのアンサンブルレシピ「Granite Timeseries Ensemble」を公開した。

• 4つのオープンなGraniteモデルを統合し、追加学習や重み調整なしで中央値および分位数の予測を出力する。

• 気象予報の手法に着想を得ており、均一確率プーリングや適応型四分位範囲（IQR）による予測統合を提供する。

• Pythonライブラリ「granite-tsfm」バージョン0.3.11以降を通じてHugging Faceから利用できる。

• IBM Researchは2026年10月22日、時系列データに対する予測精度と安定性を高めるアンサンブルレシピ「Granite Timeseries Ensemble」を発表した。Hugging Faceの公式ブログを通じて公開されたもので、特性の異なる4種類のオープンなGranite時系列モデルを単一のインターフェースで統合して活用できる。モデル選択に伴う試行錯誤を減らし、追加学習なしで実用的な予測値を得られる環境を提供するという。

時系列モデル選定における課題と開発背景

事前学習済みの時系列モデルは、手元のデータセットを用いた追加学習を行わなくても予測を実行できる利便性を持つ。しかし実務においては、「どのモデルを選択すべきか」という判断が大きな課題となっていた。

IBM Researchによると、滑らかに推移する産業機器の信号データに適したモデルが、突発的な変動を含む小売の需要データや長期の季節変動に対しては予測精度を落とす場合があるという。最適なモデルは対象データの性質や予測タスクに依存するため、従来はケースごとにモデルを選定し直す負担が生じていた。

再学習を排した4モデルの統合アーキテクチャ

今回発表された「Granite Timeseries Ensemble（識別名: ibm-granite/granite-timeseries-ensemble-r1）」は、モデル選定の手間を省き、妥当な既定値（デフォルト）を提供することを目的に開発された。

本レシピは、互いの弱点を補い合う4つの相補的なGraniteモデルを組み合わせている。大きな特徴として、個別のデータに対するモデルの再学習（リトレーニング）が不要であるだけでなく、モデル間の予測をまとめるためのアンサンブル重みを調整（フィッティング）する必要もない点が挙げられる。システムは各構成モデルの予測値を統合し、代表値となる中央値予測と、予測のばらつき度合いを示す分位数（クオンタイル: 特定の値だけでなく発生確率に応じた値の幅を予測する手法）予測の両方を算出する。

気象予報に着想を得た統計アプローチ

この複数モデルによる予測の統合について、IBM Researchは気象予測の手法に着想を得たものだと説明している。気象分野では、欧州中期天気予報センター（ECMWF）のアンサンブル予報や、北米マルチモデルアンサンブル（NMME）のように、複数のモデルを組み合わせて予測精度を高める手法が実用化されている。時系列予測でも同様に、相補的な複数のモデルが未来に対して異なる見解を提供し、それらを束ねることで信頼性の高い単一の予測が得られるという。

同レシピでは、各モデルの予測確率を均等に扱う均一確率プーリングによる「Probabilistic Ensemble」が標準として提供される。さらに、データの散らばり具合を評価する適応型の四分位範囲（IQR: データを昇順に並べた際に中央50パーセントが含まれる範囲を示す統計指標）を活用した「IQR Ensemble」との比較も行える設計となっている。

提供形態と実装・運用の仕様

Granite Timeseries Ensembleのレシピ本体および構成されるGraniteモデル群は、パーミッシブ・ライセンス（商用利用や改変の自由度が高い寛容なライセンス）のもとで提供されている。

実際の利用にはPythonライブラリ「granite-tsfm」のバージョン0.3.11以上が必要となる。公開されたコード例では、公開データセット「ETTh1」を対象に、クラス「QuantileEnsembleForecaster」でHugging Faceからレシピを直接読み込み、過去1024ステップから未来24ステップを予測してポイント予測（prediction_outputs）と分位数予測（quantile_outputs）を取得する手順が示されている。また、同一のインターフェースを用いて互換性のある他の予測モデルへと拡張することも可能だという。

なお本レシピは、統合済みの重みデータではなくアンサンブルの構成情報のみを保持している。実行時に4つの構成モデルを個別にダウンロードするため、初回実行時は所要時間に留意が必要だという。詳細な構成や評価結果、制約事項はHugging Faceのモデルカードに掲載されている。