Granite PatchTSMixer（granite-timeseries-patchtsmixer）昇腾 NPU 适配

#NPU #Ascend #Ascend910

模型：ibm-granite/granite-timeseries-patchtsmixer（revision 90dc5a88d45f032b7dceefb5d814ca2af54f2ff9）

任务：多变量时间序列预测（time-series-forecasting），ETTh1 数据集，context=512 小时 → prediction=96 小时。

架构：PatchTSMixerForPrediction（transformers 内置实现，MLP-Mixer 轻量时序预测模型）。权重约 0.75MB，可轻松运行于单卡昇腾 910B。

简介

PatchTSMixer 是一种基于 MLP-Mixer 的轻量多变量时间序列预测模型（KDD 2023）。本仓库在单卡昇腾 NPU（Ascend 910B）上完成了该模型的真实推理适配：使用 ETTh1 测试集真实序列，基于官方 TSFM 预处理契约（per-channel StandardScaler，在训练集前 8640 行上拟合），在 npu:0 上完成 512→96 步多通道点预测，并完成 CPU-NPU 数值一致性验证与性能测试。

数据契约

• 数据来源：ETTh1.csv（官方 ETT 数据集，Apache-2.0 许可的公开电力变压器数据）。
• 文件 SHA-256：f18de3ad269cef59bb07b5438d79bb3042d3be49bdeecf01c1cd6d29695ee066，共 17420 行 + 表头。
• 列：date, HUFL, HULL, MUFL, MULL, LUFL, LULL, OT（7 个通道，按此固定顺序，不改变列序）。
• 划分（与 IBM TSFM 官方示例一致）：训练 [0, 8640)、验证 [8640-512, 11520)、测试 [11008, 14400)。
• 预处理：对 7 个通道分别用 StandardScaler（z-score）在训练集上拟合；测试窗口先标准化再输入模型。
• 输入张量：past_values 形状 [1, 512, 7]，dtype float32；模型内部自带 MeanScaler（scaling: true），输出为已逆缩放的点预测。
• 推理窗口：测试集内以固定随机种子 42 采样一个真实窗口（起始行 11256），前 512 步为 context，后 96 步为 ground truth。

环境

• 硬件：单卡昇腾 Ascend 910B（npu:0），实测 2 卡环境，每卡 64GB HBM。
• 操作系统 / CANN：Linux aarch64，CANN 8.5.1，torch 2.9.0 + torch_npu 2.9.0.post1。
• 依赖：见 requirements.txt。

安装

pip install -r requirements.txt
# 昇腾 NPU 需先安装对应 CANN Toolkit + torch_npu，并验证：
python -c "import torch, torch_npu; print(torch.npu.is_available())"

NPU 推理

python inference.py                     # 自动下载模型权重与 ETTh1 数据，在 npu:0 推理
python inference.py --device npu:0 --seed 42
# 也可使用本地权重/数据：
python inference.py --model-dir /path/to/model --data-csv /path/to/ETTh1.csv

默认输出到 outputs/：forecast.npy（原始尺度预测 [96,7]）、forecast_scaled.npy（标准化尺度模型输出 [1,96,7]）、ground_truth.npy。退出码 0 表示成功。

真实结果（npu:0，seed=42，窗口起始行 11256）

模型输出 [1, 96, 7]，指标基于原始尺度对比真实标签（ETTh1 测试集）：

OT 通道前 5 步预测：[11.987, 11.993, 12.038, 12.377, 12.754]。

CPU-NPU 一致性

相同权重、相同数据窗口、相同预处理、相同 dtype（float32）、相同随机种子下：

未发生 CPU fallback；模型全部参数与输入张量位于 npu:0。

性能

预热 3 次后正式测试 12 次（每轮前后 torch.npu.synchronize()）：

batch=1，context=512，prediction=96，channels=7，dtype=float32。计时不含 CSV 读取与数据预处理。

证据图

以下图片由 xterm.js 根据本次真实运行日志渲染，非手工绘制：

• assets/agent_workflow.png：完整适配流程（侦察 → 数据检查 → 下载 → 加载 → NPU 推理 → 一致性 → benchmark → 提交校验）。
• assets/npu_device_call.png：NPU 设备调用证据（npu-smi、torch.npu.is_available()、模型参数 device/dtype、输入输出 Tensor device）。
• assets/model_result.png：默认 python inference.py 的真实完整输出（schema、真实预测、同步耗时、状态）。

限制

• 本模型为在 ETTh1 上预训练的轻量模型（约 0.75MB），仅适合使用相同 7 通道（HUFL/HULL/MUFL/MULL/LUFL/LULL/OT）的电力变压器时序数据；换数据集需重新微调。
• config.loss="mse" 使模型为确定性点预测（distribution_output=None），因此使用 forward() 而非 generate()。
• 单样本窗口一致性属于 smoke consistency，不代表完整测试集精度评测；完整测试集 MSE 见模型卡（约 0.37，标准化尺度）。
• 数据标准化使用训练集拟合的 scaler；推理脚本默认自动下载模型与数据（需网络），也可指定本地路径离线运行。