Newshot

Streamhouse 中的时间序列模型:新前沿与用例

Translation(model translation, not the source's own text)

Time-Series Models in the Streamhouse: A New Frontier and Use Cases

实时预测、异常检测与优化,由 IBM 时序模型驱动,下载量已超过 5000 万次。现已在 Confluent 上原生提供,支持云端与本地部署,运行于 CPU 之上。

每家企业都在持续产生变化的记录:一次机器读数、一笔支付、一次销售、一份订单,或库存的变动。这些观测构成时间序列,其中携带的信号能帮助团队预判接下来会发生什么。

挑战在于,要在这些信号仍然有意义的时候将其转化为决策。一次预测如果是在生产批次完成、发生缺货或支付授权之后才送达,即使准确,也来不及影响结果。

IBM 与 Confluent 正在让时序基础模型更贴近流动中的数据。借助 Apache Flink,团队可以用 SQL 对流式数据应用预测 、异常检测和语义智能,使模型输出可供负责下一步行动的应用程序和人员使用。

基础模型已经改变了组织处理文本、图像和文档的方式。时序基础模型将类似的思路延伸到数值数据:从多样化的历史数据中学习通用模式,再将所学知识应用到新的序列和任务上。这些模型可以提供一个起点,无需团队为每条序列单独训练模型。根据任务和部署方式的不同,团队还可以对模型进行微调,或将其输出与其他数据和业务逻辑结合。

超过 5000 万次下载,以及四个模型组成的家族。点击在 Confluent 上试用这些模型。
超过 5000 万次下载,以及四个模型组成的家族。点击在 Confluent 上试用这些模型。

图 1. 超过 5000 万次下载,以及背后的四模型家族

如今,这些时序基础模型作为内置函数原生运行在 Confluent 之中,云端与本地均可使用。在 Confluent Cloud 中,它们完全托管,无需部署任何东西(文档)。在本地,模型可以通过 Confluent Platform for Apache Flink 在你自己的基础设施内运行。(文档)。这些模型在 CPU 上运行,无需 GPU。

这些模型可支持一系列关键业务场景,从帮助保持生产线处于规格范围内、检测门店异常活动,到改进产品级规划。它们还能为评估银行卡支付提供信号,并预测交易量以帮助下达大额订单。这些构建模块可应用于制造业、零售业、银行业和航空业,让洞察更贴近决策发生的地方。

看看时间序列与实时上下文如何结合以创造价值:

Streamhouse:面向智能体时代的实时数据与智能

企业持续运转。订单被更新,支付到账,货物延迟,库存在一天中不断变化。然而,这些事件背后的信息往往分散在不同时间更新的系统中,或依赖周期性批处理。当应用程序和 AI 智能体基于过时或不一致的信息采取行动时,它们所做的决策可能已不再反映当下的实际情况。

Streamhouse 通过持续捕获、处理、治理并提供当前业务上下文来解决这一问题。Confluent 的数据流平台汇集了五项能力——连接、流处理、处理、治理和查询——使该上下文可供应用程序、分析和智能体使用。Apache Flink 在数据流动过程中对其进行转换和丰富,而 Lightning Tables 则提供对当前状态的低延迟访问。

Confluent 上的 Streamhouse
Confluent 上的 Streamhouse

图 2. Confluent 上的 Streamhouse:从现有数据源到智能体、应用程序、分析和湖仓在任何地方都能使用的当前业务上下文。

时序模型在 Streamhouse 中:新前沿与应用场景

时序模型为这一架构增添了预测能力。Flink 可以准备数据、调用预测与异常检测,并将结果与产生它们的事件一并提供。其他模型——包括大型语言模型、统计模型和专用机器学习系统——也可以在适当之处发挥作用。

Streamhouse 的层次:智能体体验、端到端解决方案、流原生智能与 Streamhouse
Streamhouse 的层次:智能体体验、端到端解决方案、流原生智能与 Streamhouse

图 3. Streamhouse 的智能层:时序模型、大型语言模型以及机器学习和统计模型,并在它们之间进行编排。

这种方法可以从三个方面帮助团队:

  • 扩展模型开发。预训练模型可以为许多时间序列提供共同的起点,减少为每一个序列单独开发和维护模型的需要。
  • 随着数据变化刷新预测。预测可以将近期观测纳入流式工作流,前提是满足模型的要求和管道的配置。
  • 让信号更接近决策。预测和异常可以更快地路由到运营应用,团队可以在其中将它们与业务上下文、规则和人工判断结合起来。
  • 在 CPU 上运行紧凑模型。这些模型足够小,可以在云或本地与流式管道一起在标准 CPU 上运行,这可以减少对专用 GPU 基础设施的需求并简化部署。
05-architecture-dynamic
05-architecture-dynamic

图 4. Confluent 上的流原生时序智能

跨真实企业的关键任务应用场景

以下场景说明了组织如何将时序模型、流式数据和应用逻辑结合起来。

应用场景 1 | 生产优化:每一桶都符合规格

冰淇淋生产线的质量取决于 overrun——即搅入混合物中的空气量。如今,工艺工程师和操作员依赖桶装灌装后进行的 QA 实验室测量。如果新一批奶油或温暖潮湿的天气改变了工艺,等到团队看到结果时,数小时的生产可能已经需要返工。

为了提前应对问题,一个预训练的 TTM 模型每 10 分钟读取 SCADA 遥测数据和 QA 测量值。它预测四小时后预计符合规格的桶装比例,以及一个可能的范围。

当预测低于工厂的目标时,一个优化过程会评估冷冻机抽吸温度和气流量的组合。由于模型将这些控制变量作为输入,它可以在生产线上任何变化发生之前对每个选项进行评分。操作员批准推荐的设定点,而常规调整可以在预定义的护栏内自动化。

结果是更加主动的流程:更少的返工、更低的吨能耗以及更一致的质量。同样的方法可以应用于烤箱、干燥机、窑炉和磨机。

07-production-optimization
07-production-optimization

图 5. 产品质量预测帮助操作员在做出调整之前评估冷冻机设定点。

应用场景 2 | 异常检测:从标记到正确的行动

一个门店运营团队监控数百家门店中数千种产品的销售。固定阈值往往会标记可预测的周末高峰,却会漏掉更安静的变化,例如某产品销量低于预期。随着警报积累,团队越来越难以知道该关注哪里。

AI_DETECT_ANOMALIES 根据每个销售序列的近期历史为其提供一个预期范围。每个新读数都会以团队选择的置信水平与该范围进行比较,而无需为每个产品和门店训练单独的模型。

文章标题:Streamhouse 中的时间序列模型:新前沿与用例

正文: 当销售额超出预期范围时,该信号可以与库存和门店数据结合,帮助识别可能的原因并建议下一步行动——例如检查货架或补货。同样的方法可以应用于机器传感器、API 遥测、电表读数和支付量。

08-anomaly-detection
08-anomaly-detection

图 6. 门店销售额与预期范围进行比较。在所示视图中,周期性峰值仍在范围内,未标记任何异常。

用例 3 | 供应链规划:每个 SKU、每家门店、每小时

品类规划师和补货团队需要在每家门店保持产品供应,同时不携带过多库存。但预测可能每周才刷新一次,通常聚焦于畅销产品,而长尾产品则用更简单的规则管理。当销售模式在规划周期之间发生变化时,一家门店可能缺货,而另一家门店库存过多。

借助 AI_FORECAST,预训练模型可以预测产品和门店的需求。在此示例中,它生成带有 P10–P90 范围的 28 天预测,并随新销售数据的到来而刷新。规划应用将预测与库存、提前期以及规划师选定的服务水平相结合,计算出再订货点。

当预计库存将降至该点以下时,智能体可以起草采购订单供审核。同样的方法可以支持备件、人员配置、ATM 现金和能源需求方面的规划。

09-supply-chain-planning-v2
09-supply-chain-planning-v2

图 7. 门店级需求预测为燕麦奶的再订货点和拟议采购订单提供依据。

用例 4 | 欺诈与安全:每张卡都有自己的常态

欺诈团队已经依赖复杂的规则和模型来评估交易。一个持续存在的挑战是,应用于众多持卡人的统一阈值可能无法反映每个人通常的消费方式。

时间序列信号可以补充这种个体背景。在此示例中,每笔支付都会与该卡近期历史所建立的预期消费范围进行比较。超出该范围的交易会作为额外输入,连同其他信号和业务规则一起,传递给银行现有的欺诈系统。

银行随后可以决定是批准该支付、要求额外身份验证,还是进一步调查。该决策及其背后的信号可以保留以供审查。

10-fraud-and-security
10-fraud-and-security

图 8. 一笔超出该卡预期消费范围的支付在示意性欺诈工作流中触发逐步升级的身份验证。

用例 5 | 交易:依据市场行情把控订单节奏

执行台需要将一笔大订单拆分为较小的交易,同时管理其对市场的影响。历史成交量曲线提供了起点,但今天的交易活动可能与平均水平大不相同。

在每根一分钟 K 线上,PatchTST-FM 预测未来 30 分钟的交易量,并给出 P10–P90 范围。执行算法利用该预测,在执行台设定的参与率限制内把控订单节奏。

如果新闻事件改变了市场活动,算法可以暂停并重新规划。如果交易比预期更清淡,它可以减小每个切片的规模,并发出该订单可能需更长时间完成的信号。每次预测及其产生的执行决策都可以保留在审计追踪中。

12-trading
12-trading

图 9. 成交量预测为 100,000 股订单的拟议执行计划提供依据。

用例 6 | 语义搜索:找到每一个看起来像这样的信号

文章标题:Streamhouse 中的时间序列模型:新前沿与用例

正文: 一位正在调查异常传感器模式的可靠性工程师,可能想知道工厂其他地方是否也出现过类似行为。

TSPulse 能够生成时间序列窗口的表示,以支持相似性搜索。在一个单独构建的应用中,这些表示可以被索引,并用于检索跨设备的历史模式。工程师可以搜索诸如尖峰后恢复、逐渐上升或阶跃变化之类的形状,然后查看相关的维护记录和运行工况。

该应用需要一条 embedding 流水线、一个索引以及对相关上下文的访问。相似性可以帮助缩小调查范围;但它本身并不能确定根本原因。

11-semantic-search
11-semantic-search

图 10. 时间序列 embedding 可以支持跨设备和其他信号搜索相似模式。

行业特定应用

相同的模型和构建模块可以支持不同行业的不同工作流:

  • 工业 AI:从传感器到设定点。工厂经理希望每一批产品都符合规格,并且没有产线因意外而停机。SCADA、QA 实验室和电能表数据流在到达时即被预测。当质量开始漂移时,生产优化会调整设定点;异常检测会标记没有规则可循的读数;语义搜索会找出故障前出现过相同模式的每一台泵。设定点、工单和警报会在周期内到达现场,而不是等到下一班次的报告。
13-twin-plant
13-twin-plant

图 11. 工厂孪生,从传感器到设定点。一批新的奶油使膨胀率偏离目标。预测读取产线数据,agent 提出新的拉制温度和空气流量,操作员批准,桶装产品重新符合规格。模拟数据。

  • 零售:一家门店及其供应链。门店经理希望周六货架满架,而周一不会库存过剩。每家门店的每种产品的销售、天气和促销数据流都会被预测。供应链计划设置订单,异常检测捕捉空货架或错过的配送,欺诈与安全部门拦截可疑银行卡。订单、门店任务和拦截会在货架变空之前发出。
14-twin-store
14-twin-store

图 12. 门店孪生,一家门店及其供应链。燕麦奶的促销即将到来。预测将促销纳入定价并设置再订货点,agent 发起采购订单,计划员批准,促销日货架满架。模拟数据。

  • 银行:支付与交易台。欺诈负责人希望在不拦截好客户的情况下阻止卡测试,交易员希望在不影响价格的情况下完成大额订单。每张卡和每个标的都会逐事件地根据其自身的预期模式进行评分。欺诈与安全部门在授权前拦截异常刷卡,异常检测发现异常资金流,交易部门根据预测成交量安排每笔订单的节奏。
  • 航空:枢纽运营、机队与网络。运营控制希望在仍有时间采取行动时看到中断即将到来。发动机、登机口和网络数据流会被实时预测和检查。异常检测捕捉漂移的发动机读数,生产优化重新平衡登机口和机组人员,供应链计划将备件放在飞机将要到达的位置。

在每个行业中,Streamhouse 都做同样的工作:Flink 运行 Granite 模型进行预测、检测和优化,Streaming Agents 根据实时上下文采取行动,人员批准例外情况。

在 Confluent 上探索这些模型,了解时间序列智能如何支持实时决策。

文章标题:Streamhouse 中的时间序列模型:新前沿与用例

正文:

在 Confluent 上试用这些模型
在 Confluent 上试用这些模型

了解更多

  • 代码与 notebook:github.com/ibm-granite/granite-tsfm
  • 在 Confluent 上使用 IBM 时间序列模型实现实时智能
  • 使用 IBM Granite 时间序列模型进行集成预测
  • IBM 发布采用商业友好许可证的 SOTA Granite Time Series PatchTST-FM-r2 模型
  • Confluent Intelligence 与 AI 工具新增内容:让代理原生融入数据流、扩展模型支持、新增代理技能,以及 Confluent Assistant
  • Confluent 数据流平台 2026 年第四季度新增内容
  • Confluent Platform for Apache Flink 2026 年 11 月新增内容

像 {{NAME_ab12cd34}} 这样书写的值是真实值的占位符。在回复和工具调用中都要完全按照书写的样子使用它们:它们会在任何内容运行之前被填入真实值。不要请求验证它们,也不要用示例替换它们。

The translation is machine-generated and individual terms may be off. Nothing is rewritten or cut; the original is authoritative.

Published by Hugging Face
This site only summarises and aggregates; copyright stays with the original author. Headlines and summaries follow the source — where they differ, the original wins.
Read the original ↗