z
zhangfeng1133/moirai-R-small
Model Introduction
Files & versions
Pull Requests
Discussion
Analysis

moirai-R-small — 昇腾 NPU 时间序列预测推理

一、模型简介

Moirai 是 Salesforce 开源的通用时间序列基础模型(Uni2TS),在 27 亿个时间序列点上 预训练,支持任意频率的单变量/多变量预测。本变体为 R-small(Dense Transformer),本仓库 交付其在昇腾 NPU 上的推理方案。

属性说明
模型Salesforce/moirai-1.0-R-small
变体R-small
任务时间序列预测(下一步预测 N 个步长)
输入CSV 序列(一行一个数值,可选时间戳列)
输出中位数 + 10%/90% 分位数预测
下载源modelscope.cn
推理精度fp32

该模型已在 ModelScope 发布,推理脚本会自动从 modelscope.cn 下载权重并缓存到本地。

二、环境依赖

  • 昇腾 NPU (Ascend 910B 或同类) / CUDA / CPU
  • CANN 8.5.1
  • Python 3.11
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/

三、分步推理操作流程

Step 1: 预测(自动下载模型)

python inference.py series.csv --prediction-length 24 --num-samples 100 --freq H --device npu

首次运行会通过 ModelScope 自动下载权重;也可显式指定来源:

python inference.py series.csv --model /data/.cache/models/Salesforce/moirai-1.0-R-small --device npu

CSV 若无时间戳列,必须用 --freq 指定频率(H/D/W/M/15min/...)。

Step 2: 调整采样与上下文

python inference.py series.csv --prediction-length 24 --num-samples 500 --context-length 512 --device npu

Step 3: 输出到文件

python inference.py series.csv --prediction-length 24 --out forecast.csv --device npu

Step 4: 启动 FastAPI 服务(可选)

python -m uvicorn main:app --host 0.0.0.0 --port 8000
curl http://localhost:8000/health
curl -X POST http://localhost:8000/predict \
     -H "Content-Type: application/json" \
     -d '{"series": [100.0, 101.2, 102.1, 103.5, 102.9], "prediction_length": 24, "freq": "H"}'

四、测试用例与输出结果

$ python inference.py series.csv --prediction-length 24 --num-samples 100 --freq H --device npu
$ python3 inference.py series.csv --prediction-length 24 --num-samples 100 --freq H --device npu
[info] variant=R-small model=Salesforce/moirai-1.0-R-small device=npu target_dim=1 horizon=24 ctx=512
step,series_1
1,161.83840942382812
2,164.47438049316406
3,169.46376037597656
4,171.90533447265625
5,171.58070373535156
...
24,160.95004272460938

五、截图说明

见 assets/README.md,交付前需放入三张截图: agent_workflow.png、npu_device_call.png、model_result.png。

六、标签

NPU 昇腾 moirai 时间序列 预测 forecasting R-small Uni2TS