PatchTSMixer 昇腾NPU部署文档

1. 模型简介

模型名称： ibm-research/test-patchtsmixer 模型链接： https://huggingface.co/ibm-research/test-patchtsmixer 模型描述： PatchTSMixer 是 IBM Research 提出的Patch-based时间序列混合模型，用于多变量时间序列预测任务。该模型将时间序列切分为patch，通过多层MLP混合器进行编码和预测，支持long-horizon forecasting。 模型架构： Patch-based Time Series Mixer (PatchTSMixer) 参数规模： 约 19.6 万参数 (196,144) 任务类型： 多变量时间序列预测 (Time Series Forecasting)

2. 环境依赖

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	>= 4.57.0	HuggingFace 库（包含 PatchTSMixer）
huggingface_hub	>= 0.20.0	模型加载
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 huggingface_hub numpy

3. 推理步骤

3.1 环境准备

# 检查 NPU 设备
npu-smi info

3.2 运行推理

# 使用内置测试数据（正弦波）进行推理
export TORCH_DEVICE_BACKEND_AUTOLOAD=0
python inference.py --device npu:0

# 使用自定义输入数据（npy格式，shape需为 512x7）
python inference.py --input_file my_timeseries.npy --device npu:0

# 指定模型路径
python inference.py --model_path /path/to/model --device npu:0

3.3 推理参数说明

参数	类型	默认值	说明
--model_path	str	/data/models/ibm-research_test-patchtsmixer	模型路径
--input_file	str	None	输入npy文件路径（shape: 512x7）
--device	str	npu:0	推理设备
--context_length	int	512	输入序列长度
--num_channels	int	7	输入通道数（变量数）
--prediction_length	int	96	预测步长
--num_targets	int	3	目标变量数

3.4 输入数据格式

模型期望输入形状为 (context_length, num_input_channels)，即 (512, 7) 的 numpy 数组：

context_length=512：历史时间步长
num_input_channels=7：多变量时间序列的变量数

4. 测试样例及输出结果

样例 1：使用内置正弦波测试数据

输入：

python inference.py --device npu:0

程序自动生成 7 通道正弦波测试数据（512 个时间步）

输出：

[INFO] 检测到 2 个 NPU 设备: Ascend910_9362
[INFO] 加载模型: /data/models/ibm-research_test-patchtsmixer
[INFO] 模型参数量: 196,144
[模型] ibm-research/test-patchtsmixer
[设备] Ascend910_9362 (npu:0)
[输入] past_values (512x7)
[输出] prediction (96x7), range=[-0.6114, 0.6880]
[耗时] 174.9ms
[状态] SUCCESS
[预测结果] 全通道预测 shape: (96, 7)
[预测结果] 全通道范围: [-0.6114, 0.6880]
[预测结果] 目标变量均值范围: [-0.0220, 0.0363]
[预测结果] 目标变量标准差范围: [0.7107, 0.7187]

样例 2：使用自定义输入数据

输入：

# 创建自定义测试数据
python3 -c "
import numpy as np
data = np.random.randn(512, 7).astype(np.float32)
np.save('test_input.npy', data)
"
python inference.py --input_file test_input.npy --device npu:0

输出：

[INFO] 加载模型: /data/models/ibm-research_test-patchtsmixer
[INFO] 模型参数量: 196,144
[模型] ibm-research/test-patchtsmixer
[设备] Ascend910_9362 (npu:0)
[输入] past_values (512x7)
[输出] prediction (96x7), range=[-2.1456, 2.8931]
[耗时] 168.2ms
[状态] SUCCESS

5. Agent适配截图

5.1 Agent适配全过程截图

Agent 适配流程

5.2 NPU设备调用截图

NPU 设备调用

5.3 模型适配结果截图

模型适配结果

6. 精度评测

测试数据： 内置正弦波测试数据（模拟多变量时间序列） 评测指标： 预测值范围验证

指标	结果
全通道预测范围	[-0.6114, 0.6880]
目标变量均值范围	[-0.0220, 0.0363]
目标变量标准差范围	[0.7107, 0.7187]
推理耗时 (NPU)	~175ms

7. 注意事项

推理脚本通过 torch_npu 调用昇腾 NPU 设备
模型权重文件（.safetensors）不包含在此仓库中，请从 HuggingFace 下载
首次运行需确保模型权重已下载到 --model_path 指定的路径
输入数据必须是 (512, 7) 形状的 numpy 数组，对应模型的 context_length=512 和 num_input_channels=7
预测输出为 96 步长的多变量预测结果（prediction_length=96）

PatchTSMixer 昇腾NPU部署文档

1. 模型简介

2. 环境依赖

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	>= 4.57.0	HuggingFace 库（包含 PatchTSMixer）
huggingface_hub	>= 0.20.0	模型加载
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 huggingface_hub numpy

3. 推理步骤

3.1 环境准备

# 检查 NPU 设备
npu-smi info

3.2 运行推理

# 使用内置测试数据（正弦波）进行推理
export TORCH_DEVICE_BACKEND_AUTOLOAD=0
python inference.py --device npu:0

# 使用自定义输入数据（npy格式，shape需为 512x7）
python inference.py --input_file my_timeseries.npy --device npu:0

# 指定模型路径
python inference.py --model_path /path/to/model --device npu:0

3.3 推理参数说明

参数	类型	默认值	说明
--model_path	str	/data/models/ibm-research_test-patchtsmixer	模型路径
--input_file	str	None	输入npy文件路径（shape: 512x7）
--device	str	npu:0	推理设备
--context_length	int	512	输入序列长度
--num_channels	int	7	输入通道数（变量数）
--prediction_length	int	96	预测步长
--num_targets	int	3	目标变量数

3.4 输入数据格式

模型期望输入形状为 (context_length, num_input_channels)，即 (512, 7) 的 numpy 数组：

context_length=512：历史时间步长
num_input_channels=7：多变量时间序列的变量数

4. 测试样例及输出结果

样例 1：使用内置正弦波测试数据

输入：

python inference.py --device npu:0

程序自动生成 7 通道正弦波测试数据（512 个时间步）

输出：

[INFO] 检测到 2 个 NPU 设备: Ascend910_9362
[INFO] 加载模型: /data/models/ibm-research_test-patchtsmixer
[INFO] 模型参数量: 196,144
[模型] ibm-research/test-patchtsmixer
[设备] Ascend910_9362 (npu:0)
[输入] past_values (512x7)
[输出] prediction (96x7), range=[-0.6114, 0.6880]
[耗时] 174.9ms
[状态] SUCCESS
[预测结果] 全通道预测 shape: (96, 7)
[预测结果] 全通道范围: [-0.6114, 0.6880]
[预测结果] 目标变量均值范围: [-0.0220, 0.0363]
[预测结果] 目标变量标准差范围: [0.7107, 0.7187]

样例 2：使用自定义输入数据

输入：

# 创建自定义测试数据
python3 -c "
import numpy as np
data = np.random.randn(512, 7).astype(np.float32)
np.save('test_input.npy', data)
"
python inference.py --input_file test_input.npy --device npu:0

输出：

[INFO] 加载模型: /data/models/ibm-research_test-patchtsmixer
[INFO] 模型参数量: 196,144
[模型] ibm-research/test-patchtsmixer
[设备] Ascend910_9362 (npu:0)
[输入] past_values (512x7)
[输出] prediction (96x7), range=[-2.1456, 2.8931]
[耗时] 168.2ms
[状态] SUCCESS

5. Agent适配截图

5.1 Agent适配全过程截图

Agent 适配流程

5.2 NPU设备调用截图

NPU 设备调用

5.3 模型适配结果截图

模型适配结果

6. 精度评测

测试数据： 内置正弦波测试数据（模拟多变量时间序列） 评测指标： 预测值范围验证

指标	结果
全通道预测范围	[-0.6114, 0.6880]
目标变量均值范围	[-0.0220, 0.0363]
目标变量标准差范围	[0.7107, 0.7187]
推理耗时 (NPU)	~175ms

7. 注意事项

推理脚本通过 torch_npu 调用昇腾 NPU 设备
模型权重文件（.safetensors）不包含在此仓库中，请从 HuggingFace 下载
首次运行需确保模型权重已下载到 --model_path 指定的路径
输入数据必须是 (512, 7) 形状的 numpy 数组，对应模型的 context_length=512 和 num_input_channels=7
预测输出为 96 步长的多变量预测结果（prediction_length=96）