IBM 时间序列基础模型原生集成至 Confluent
Time-Series Models in the Streamhouse: A New Frontier and Use Cases
IBM 宣布其下载量超 5000 万次的时间序列基础模型家族原生接入 Confluent,在云端与本地环境支持基于 CPU 直接运行。开发团队可通过 Apache Flink 和 SQL 调用预测与异常检测功能,无需额外部署 GPU 即可完成工业控制优化、多门店库存补货及交易量预测等流式分析任务。
模型直接内置在流计算平台并在 CPU 上运行,展示了如何用 SQL 低成本实现实时流式时序预测与异常检测。
基于下载量超 5000 万次的 IBM 时间序列模型,实现实时预测、异常检测与优化。现已在 Confluent 平台原生上线,支持云端和本地部署,仅需 CPU 即可运行。
所有企业都在持续产生记录各种变化的动态数据:设备读数、支付交易、销售流水、订单记录或是库存变动。这些观测数据汇聚成时间序列,蕴含着能帮助团队预判未来走势的信号。
真正的挑战,在于赶在这些信号失去时效前将其转化为实际决策。如果在产线完工、库存断货或支付授权完成后才得出预测结果,即便预测再准确,也已无法改变结局。
IBM 与 Confluent 正在推动时间序列基础模型更靠近流动中的数据。借助 Apache Flink,团队只需编写 SQL,即可对流式数据执行预测、异常检测和语义智能分析,并直接将模型输出提供给下游应用以及负责执行下一步动作的人员。
基础模型已经彻底改变了各行各业处理文本、图像和文档的方式。时间序列基础模型将这一思路拓展到了数值型数据上:先从多样的历史数据中学习通用模式,再将这些经验应用到新的序列和任务中。这样一来,团队无需为每条序列单独训练模型,就能直接获得可用的基准能力。针对不同的任务和部署需求,团队还可以微调模型,或将其输出与其他数据和业务逻辑相结合。
图 1. 累计下载量突破 5000 万次,及其背后的四大模型家族
如今,这些时间序列基础模型已作为内置函数,原生运行在 Confluent 的云端和本地环境中。在 Confluent Cloud 中,该功能提供全托管服务,免去部署烦恼(查看文档);在本地环境中,用户可以通过 Confluent Platform for Apache Flink,将模型部署在自建基础设施上(查看文档)。整个运行过程仅需 CPU,无需配备 GPU。
这些模型能够为各类关键业务场景提供支持:保障产线指标符合规范、发现门店异常活动、优化单品级计划等。它们还能提供前瞻信号,用于评估刷卡支付风险,或是预测交易量以辅助大额订单挂单。从制造、零售到银行和民航,这些基础模块可广泛应用于各行各业,让业务洞察真正深入决策一线。
了解时间序列如何与实时上下文结合并创造价值:
Streamhouse:面向智能体时代的实时数据与智能架构
企业的业务运转从不停歇:订单随时在更新,款项不断到账,物流偶有延误,库存也在全天动态变化。然而,这些事件产生的信息往往散落在更新节奏各不相同的系统中,有些甚至还要依赖周期性的批处理。当应用和 AI 智能体基于过时或不一致的信息采取行动时,做出的决策就极有可能脱离实际业务现状。
Streamhouse 正是为解决这一问题而生,它能持续捕获、处理、治理并对外提供实时的业务上下文。Confluent 的数据流平台整合了连接(connect)、流转(stream)、处理(process)、治理(govern)和查询(query)五大核心能力,将全局上下文交付给各类应用、分析系统与智能体。Apache Flink 在数据流转过程中实时完成转换与丰富,Lightning Tables 则为访问最新业务状态提供了极低的延迟。
图 2:基于 Confluent 的 Streamhouse 架构:从现有数据源提炼出最新的业务上下文,供智能体、应用程序、分析系统及数据湖仓随处取用。
时序模型为该架构注入了预测能力。Flink 负责完成数据预处理,调用预测与异常检测服务,并将分析结果直接与触发它们的原始事件一并输出。此外,大语言模型、统计模型及专用机器学习系统等其他模型,也可按需协同参与。
图 3:Streamhouse 的智能层:融合时序模型、大语言模型以及机器学习和统计模型,并实现跨模型编排。
这种方案能在三个维度为团队带来价值:
-实现模型开发规模化。预训练模型可作为各类时间序列的通用基础,无需再为每条序列单独开发和维护独立模型。
-随着数据变化实时刷新预测。只要符合模型规范与流水线配置,流式工作流就能随时将最新观测数据纳入预测考量。
-让信号更贴近决策现场。预测数据与异常告警能更快推送到业务系统中,方便团队结合业务上下文、规则与人工判断及时采取行动。
-在标准 CPU 上运行轻量化模型。这些模型体量小巧,无论部署在云端还是本地,都能与流处理流水线一同直接运行在普通 CPU 上,不仅降低了对专用 GPU 算力的依赖,也精简了部署架构。
图 4:Confluent 上的流原生时序智能方案
真实企业中的关键业务场景
以下典型场景展示了企业如何把时序模型、流式数据与业务逻辑融为一体:
场景 1 | 生产流程优化:确保每盒产品都合规
在冰淇淋生产线上,成品品质很大程度上取决于膨胀率(即混入原料的空气量)。传统流程中,工艺工程师和操作员通常依赖灌装完成后由质检实验室出具的检测数据。然而,一旦换用新批次奶油或遇上温热潮湿的天气,工艺条件发生变化,等质检结果出来时,往往已经积压了数小时需要返工的产品。
为了变被动为主动,预训练 TTM 模型每 10 分钟读取一次 SCADA 遥测与质检数据。它可以提前四小时预测成品合格率,并给出可能的波动区间。
一旦预测值低于工厂设定的目标线,优化程序便会自动评估出料冷冻温度与送风量的多种组合。由于该模型已将这些控制变量作为输入特征,在产线做出任何变动之前,它就能为每种备选方案打分。推荐的设定值由操作员确认后执行,常规微调则可在预设的安全边界内全自动完成。
这种更具前瞻性的工艺流程,不仅减少了返工率、降低了每吨能耗,还让产品品质更加稳定。同样的方法也可推广至烤炉、烘干机、窑炉与磨机等工业设备。
图 5:通过预测产品品质,协助操作员在调整设备前充分评估冷冻机设定参数。
场景 2 | 异常检测:从发出告警到精准处置
门店运营团队往往需要监控成百上千家门店中数以万计的商品销售情况。如果采用固定阈值,系统经常会在意料之中的周末高峰期频繁报警,却反而漏掉一些更隐蔽的异常,比如某款商品销量不及预期。随着告警越积越多,团队很难判断到底该优先关注哪里。
AI_DETECT_ANOMALIES 可以根据每条销售时间序列的近期历史数据,自动生成合理的预期波动范围。团队只需选定置信度,系统就会拿每条新数据同该范围比对,完全不需要为每家门店的每种商品单独训练模型。
一旦销量超出预期区间,该信号就能与库存及门店数据相结合,协助定位可能的原因并给出下一步建议——例如前往货架排查或及时补货。同样的逻辑也可以直接复用到机器传感器、API 遥测数据、电表读数以及支付交易量等场景。
图 6:将门店销售额与预期区间进行对比。在图示视图中,周期性出现的峰值均处于该范围内,未触发异常报警。
用例 3 | 供应链规划:覆盖每件 SKU、每家门店、每个小时
品类规划人员和补货团队不仅要保证所有门店商品供应充足,还要避免库存积压。然而传统的预测可能每周才刷新一次,而且通常只盯着畅销品,对长尾商品则主要靠简单规则来应付。在两次规划周期的间隔期内,一旦销售趋势发生变动,往往就会出现这家店卖断货、那家店却大量积压的情况。
借助 AI_FORECAST,预训练模型能够对各种商品和门店的需求进行预测。在此示例中,它输出了覆盖 P10 至 P90 区间的 28 天预测结果,并在新销售数据录入时实时更新。规划系统随后结合该预测、当前库存、补货周期以及规划员设定的服务水平,即可直接推算出再订货点。
当预测库存低于这一阈值时,智能体便会自动起草采购订单等待审批。这种方法同样适用于备品备件调配、排班管理、ATM 现金储备以及电力需求规划等业务场景。
图 7:依据门店级需求预测结果计算出的再订货点,并生成燕麦奶采购订单建议。
用例 4 | 反欺诈与安全:让每张卡都有自己的“正常”标准
反欺诈团队通常已经建立起复杂的规则和模型来评估交易风险。但他们面临的一大痛点在于:如果对大批持卡人套用同一套阈值,往往很难准确反映每个人独有的消费习惯。
引入时间序列信号正好可以补足这种个性化特征。在该示例中,系统会根据持卡人近期的历史交易记录估算出一个合理的消费区间,并将每笔新付款与之对比。一旦交易超出该区间,系统就会将其作为一项额外指标,连同其他信号及业务规则一并提交给银行现有的反欺诈系统。
银行随后便可决定是直接放行、要求二次身份验证,还是做进一步调查。相关决策结果及其背后的判定信号均可归档保存,便于事后复核。
图 8:在反欺诈业务流程示例中,一笔超出该卡预期消费区间的交易触发了二次身份验证流程。
用例 5 | 交易执行:根据实时盘口把控下单节奏
交易执行台在拆分大额订单时,必须严格控制对市场价格带来的冲击。历史成交量曲线虽然能提供参考基准,但当天的盘面走势很可能与历史均值大相径庭。
在每个 1 分钟 K 线上,PatchTST-FM 都会预测未来 30 分钟的交易量,并给出 P10–P90 的置信区间。执行算法利用该预测,在交易台设定的参与率上限内把控报单节奏。
突发新闻引发市场波动时,算法可暂停并重新规划;若市场成交比预期清淡,算法则会缩减每笔子单规模,并提示该订单可能需要更长时间才能完成。每次预测及随后的执行决策均可留存在审计记录中。
图 9. 交易量预测为 10 万股订单的建议执行计划提供依据。
用例 6 | 语义搜索:找出所有类似的信号
可靠性工程师排查异常传感器形态时,往往需要了解厂区其他设备是否也出现过类似情况。
TSPulse 能生成支持相似度搜索的时间序列窗口表征。在专门构建的应用中,这些表征可被索引并用于检索各设备的历史模式。工程师可搜索“尖峰后恢复”、“渐进式上升”或“阶跃变化”等形态,进而调取关联的维保记录与工况参数。
这一应用需要构建嵌入流水线、索引系统并打通相关上下文数据。相似度有助于缩小排查范围,但本身并不能直接锁定根本原因。
图 10. 时间序列嵌入可支持跨设备及其他信号的相似模式搜索。
行业落地应用
同样的基础模型与功能模块,可以支撑各行各业不同的工作流:
- 工业 AI:从传感器到设定值。厂长希望批批达标,产线绝不意外停工。SCADA、质检实验室和电表的数据流随到随测。当质量出现偏差苗头时,生产优化模块随即微调工艺设定值;异常检测模块能揪出规则库未覆盖的反常读数;语义搜索则能把历史上故障前出现过同类模式的所有泵逐一抓取。设定值调整、工单与告警即刻下发到车间,不用苦等下一班交接。
图 11. 工厂数字孪生:从传感器到设定值。新批次奶油导致膨胀率偏离指标。预测系统读取产线状态,智能体提出新的出料温度和进气量调整方案,经操作员批准后,成品盒装指标重回标准范围。模拟数据。
- 零售:门店与供应链协同。店长希望周六货架满满当当,周一又不会积压库存。系统为每家门店的每款单品预测销售、天气与促销趋势。供应链计划自动生成订货单,异常检测及时捕捉缺货或延误配送,风控模块则拦截可疑盗刷卡。补货订单、门店任务与拦截指令早在货架搬空前便已发出。
图 12. 门店数字孪生:门店与供应链协同。燕麦奶即将开展促销活动。预测系统计入促销效应并重设补货点,智能体发起采购订单,计划员审核通过,促销当天货架货量充足。模拟数据。
银行业:支付与交易台。风控主管希望拦截试卡行为,同时避免误伤正常客户;交易员则希望完成大单交易,又不引发价格波动。系统会逐个事件比对每张卡和每个交易标的的预期模式并进行评分。风控与安全团队在授权前拦截异常刷卡,异常检测系统识别异常资金流,交易系统则根据预测成交量调控每笔订单的执行节奏。
航空业:枢纽运营、机队与航线网络。运行控制中心希望在尚有应对时间时预见异常状况。系统会实时预测并核对发动机、登机口和航线网络的数据流:异常检测系统捕捉发动机读数的微小偏差,生产优化系统动态调整登机口与机组资源,供应链计划则提前将备件调配至飞机即将抵达的机场。
在各行各业中,Streamhouse 承担的职责都大同小异:由 Flink 运行 Granite 模型来进行预测、检测和优化,流式智能体根据实时上下文采取行动,最终由人工审批异常情况。
在 Confluent 上探索这些模型,了解时间序列智能如何为实时决策提供支持。
了解更多
来源:Hugging Face Blog · huggingface.co












