chronos-forecasting
Modelos base transformer preentrenados para la predicción de series temporales zero-shot en datos univariantes y multivariantes.
Tokeniza observaciones históricas para generar previsiones probabilísticas de series temporales con modelos base.
Chronos es una librería de Python de Amazon Science que adapta arquitecturas transformer en predictores de series temporales zero-shot. Convierte observaciones en tokens para predecir trayectorias futuras sin necesidad de reentrenamiento específico para cada tarea. Está pensada para científicos de datos e ingenieros de ML que buscan previsiones probabilísticas sin construir pipelines de entrenamiento personalizados.
Qué es
La herramienta proporciona pipelines de Python para ejecutar inferencia en la familia de modelos base de Chronos, incluidos Chronos-2 y Chronos-Bolt. Acepta DataFrames de pandas que contienen objetivos históricos y covariables exógenas opcionales, devolviendo intervalos de predicción cuantílicos. Puedes ejecutar la inferencia localmente en hardware CPU o GPU, o desplegar endpoints en AWS SageMaker mediante AutoGluon-Cloud.
Para quién
Se adapta a equipos de ciencia de datos que requieren predicciones probabilísticas zero-shot en series de alto volumen sin ajuste manual de modelos. Es ideal si ya trabajas en entornos de PyTorch, Hugging Face o en la nube de AWS. Es menos adecuado para hardware de borde con restricciones que no pueda ejecutar cómodamente modelos transformer.
Funciones clave
Predicción multivariante zero-shot
Predice trayectorias futuras de series temporales utilizando contexto histórico y covariables exógenas sin reentrenamiento del conjunto de datos.
Modelos Chronos-Bolt basados en parches
Divide el contexto en parches de múltiples observaciones para una predicción directa en varios pasos con menor uso de memoria.
Salidas probabilísticas cuantílicas
Genera intervalos de predicción en niveles de cuantiles configurables para cuantificar directamente la incertidumbre de la predicción.
Integración con Pandas DataFrame
Pasa conjuntos de datos tabulares estándar de series temporales directamente a las funciones de predicción del pipeline.
Listo en 3 pasos
Nuestro veredicto honesto
Lo mejor
- Ofrece previsiones zero-shot sin requerir pipelines de entrenamiento de modelos personalizados en nuevos conjuntos de datos.
- Soporta covariables exógenas junto con series temporales objetivo en Chronos-2.
- Ofrece variantes de Chronos-Bolt diseñadas para una inferencia rápida y huellas de memoria reducidas.
- Se integra de forma nativa con transformers de Hugging Face y flujos de trabajo de despliegue en Amazon SageMaker.
Sus límites
- Requiere recursos de GPU dedicados para inferencia por lotes de baja latencia o alto rendimiento.
- El soporte de covariables exógenas se limita a Chronos-2 en lugar de variantes de modelos anteriores.
- Los costes de infraestructura en la nube pueden escalar rápidamente al alojar endpoints persistentes de transformers.
Precios y licencia
Chronos es gratuito y de código abierto bajo la licencia Apache-2.0. Los costes operativos provienen de la computación de tu servidor local o de los recursos en la nube utilizados al desplegar modelos en AWS SageMaker o AutoGluon-Cloud.
Empleos para hispanohablantes
874 puestos remotos abiertos de entrenamiento de IA, actualizados el 15 de noviembre de 2026; la mayoría paga $20–$170 por hora. 22 de ellos piden hispanohablantes. Zekai los lista gratis; la solicitud va a la plataforma del empleador.
Alternativas
Estas herramientas de IA evaluadas hacen el mismo trabajo al instante — de nuestro directorio puntuado.
Úsalo, o deja que lo configuremos
FAQ
¿Puedo pasar variables exógenas a los modelos Chronos?
Sí, Chronos-2 admite predicciones informadas por covariables aceptando un DataFrame de valores de covariables futuras.
¿Cómo genera Chronos previsiones probabilísticas?
Genera predicciones en niveles de cuantiles específicos (como 0.1, 0.5 y 0.9) para proporcionar intervalos de predicción.
¿Qué hardware se necesita para ejecutar Chronos?
Aunque los modelos pequeños pueden ejecutarse en CPU, se recomienda la aceleración por GPU con PyTorch (CUDA) para modelos más grandes e inferencia por lotes.
