0-chronos-etth-demo.ipynb 代码说明

这份 notebook 在做什么

这份 notebook 做的事情其实很简单：

1. 读取本地 ETTh1.csv
2. 读取其中的 OT 列
3. 从最后一段序列里切出历史窗口和真实未来
4. 调用本地 chronos-t5-tiny
5. 画出历史、真实值和预测区间

如果你把它和前面 4/2-prog/0-qwen3-vl-demo.ipynb 对照着看，会发现：

• 多模态 demo：输入是一张图和一句 prompt
• Chronos demo：输入是一段历史序列和一个预测长度

也就是说，虽然任务不同，但本质上都是：

• 先把输入准备好
• 再调用一个预训练模型
• 最后把输出解释给人看

先看整体结构

这份 notebook 可以分成 7 步：

1. 导入依赖
2. 读取 ETTh1 数据
3. 选出 OT 列
4. 切出 history 和 future
5. 加载 Chronos 模型
6. 做预测
7. 画图并解释结果

Cell 0：标题页

这一格只是告诉你：

• 模型是 amazon/chronos-t5-small
• 数据是 ETTh1
• 目标是做一个最小 forecasting demo

它不执行代码，但它很重要，因为它定义了 notebook 的任务边界：
不是训练模型，而是调用现成模型做 zero-shot forecasting。

Cell 1：导入依赖

这里会导入：

• Path
• urllib.request
• matplotlib
• numpy
• pandas
• torch
• ChronosPipeline

每个包的角色分别是：

• Path 处理本地路径
• urllib.request 下载 ETTh1.csv
• matplotlib 画预测图
• numpy 算分位数
• pandas 读 CSV 和切列
• torch 把历史序列变成 tensor
• ChronosPipeline 调用 Chronos 模型的核心入口

Cell 2：准备本地数据文件

这一格会先设定：

• csv_path = Path("data/ETTh1.csv")

这里最重要的工程点是：

• 课堂上不再依赖在线下载
• 数据和模型都能固定在课程目录里

Cell 3：读取数据并查看前几行

这里会用：

df = pd.read_csv(csv_path)
df.head()

作用是：

• 把 CSV 读成 DataFrame
• 先让你看看有哪些列

这一步很重要，因为 ETTh1 不只有一个变量。
我们后面只是先选其中一列：

• OT

Cell 4：选择目标列并切分窗口

这里会做三件事：

1. 选出 OT
2. 指定 context_length = 512
3. 指定 prediction_length = 96

然后把序列切成：

• history
• future

也就是：

• 用前一段历史去预测后一段未来

这里最该理解的是：

• foundation model 不是“看完整个文件再神奇预测”
• 它也需要你明确告诉它：历史到哪里结束，未来要预测多长

Cell 5：加载模型

关键代码会像这样：

pipeline = ChronosPipeline.from_pretrained(
    "models/chronos-t5-tiny",
    device_map=device,
    torch_dtype=dtype,
)

逐项解释：

• ChronosPipeline.from_pretrained(...) 从 Hugging Face 拉取一个已经训练好的 Chronos 模型
• "models/chronos-t5-tiny" 当前目录下的本地模型路径
• device_map=device 告诉模型放到哪里运行，通常是 cuda 或 cpu
• dtype=dtype 指定张量精度

这里和 3-1 里加载本地 Qwen 或本地 tiny-gpt2 的逻辑非常像：

• 都是 from_pretrained
• 都是在“读取一个已经存在的基础模型”

Cell 6：运行预测

关键调用会像这样：

forecast = pipeline.predict(
    context,
    prediction_length,
    num_samples=20,
)

逐项解释：

• context 输入给模型的历史窗口
• prediction_length 未来要预测多少步
• num_samples=20 不只采样一次，而是采样多条可能未来轨迹

为什么要多条样本？

因为 Chronos 想做的不是：

• 只给一个唯一答案

而是：

• 给一个未来分布

这也是为什么后面能算：

• 0.1 / 0.5 / 0.9 分位数

Cell 7：画图并解释结果

最后会把：

• 历史窗口
• 真实未来
• 预测中位数
• 预测区间

画在同一张图上。

这张图里最值得学生看懂的是：

• 蓝线：模型看到的历史
• 黑色虚线：真实未来
• 红线：预测中位数
• 红色阴影：预测不确定性

如果红线和黑色虚线差得很远，不一定说明模型“完全没用”，也可能说明：

• 这段未来本来就难预测
• 模型只抓住了趋势，没有抓住细节

这份 notebook 最想让你理解什么

1. 时间序列 foundation model 也可以像语言模型一样被直接调用。
2. Chronos 的关键不是“记住 ETTh1”，而是用预训练学到可迁移的时序模式。
3. 预测任务常常不只关心点预测，还关心区间和不确定性。
4. 一段历史窗口、一个预测长度、一个预训练模型，就已经能构成最小 forecasting demo。