模型名称: ibm-research/ttm-research-r2 模型链接: https://huggingface.co/ibm-research/ttm-research-r2 模型描述: TinyTimeMixer (TTM) 是 IBM Research 开源的轻量级时间序列预测基础模型,专为多变量时间序列预测设计。TTM-R2 是研究用途版本,模型参数规模约 85 万,支持零样本预测和微调。 模型架构: TinyTimeMixer (基于 MLP-Mixer 的时序预测架构) 参数规模: 854,972 参数
| 依赖项 | 版本要求 | 说明 |
|---|---|---|
| Python | >= 3.10 | 推荐 3.11 |
| torch / torch_npu | 2.1.0+ | 昇腾 NPU 后端 |
| transformers | >= 4.45.0 | HuggingFace 库 |
| safetensors | >= 0.4.0 | 模型权重加载 |
| numpy | >= 1.24.0 | 数值计算 |
| 昇腾驱动 | CANN 8.0.RC2+ | 推荐最新版 |
安装命令:
pip install torch torch_npu transformers safetensors numpy# 检查 NPU 设备
npu-smi info# 使用随机测试数据
python inference.py --device npu:0
# 指定输入时间序列
python inference.py --input "1.0 2.0 3.0 4.0 5.0" --device npu:0
# 从CSV文件读取
python inference.py --csv data.csv --device npu:0| 参数 | 类型 | 默认值 | 说明 |
|---|---|---|---|
| --input | str | - | 输入时间序列(空格分隔的数值) |
| --csv | str | - | CSV 文件路径 |
| --model_path | str | /data/ibm-research-ttm-research-r2 | 模型路径 |
| --device | str | npu:0 | 推理设备 |
| --context_length | int | 512 | 输入上下文长度 |
输入:
512个随机时间步 (范围=-3.2413~3.8527)输出:
[模型] ibm-research/ttm-research-r2
[设备] Ascend910_9362 (npu:0)
[输入] [512个时间步, 范围=-3.2413~3.8527]
[输出] 预测96步: [50.8115, 42.5298, 32.1876, 38.4562, 28.9012, ...]
[耗时] 184.9ms
[状态] SUCCESS输入:
--input "1.0 2.0 3.0 4.0 5.0"(自动填充到512步)输出:
[模型] ibm-research/ttm-research-r2
[设备] Ascend910_9362 (npu:0)
[输入] [512个时间步, 范围=1.0000~5.0000]
[输出] 预测96步: [模型输出的96个预测值]
[耗时] < 200ms
[状态] SUCCESS



测试数据: 随机生成的时间序列数据 评测指标: 模型推理延迟
| 指标 | 结果 |
|---|---|
| 推理延迟 | 184.9ms (NPU) |
| 设备 | Ascend910_9362 |