Granite Time Series TTM R2 时间序列大模型交通流量预测实战教学

本项目采用 IBM Granite TinyTimeMixer (TTM-R2) 时序基础模型与 METR-LA 交通流量数据集，构建短时交通速度预测系统。TTM 是 IBM Research 于 2024 年提出的轻量级时序预测基础模型，参数量仅约 80.5 万（模型文件 3.24 MB），核心创新在于自适应多级 Patching 机制——将 512 步历史序列切分为 8 个 patch 后，通过三级递进式特征提取（32×48 → 16×96 → 8×192），在细粒度局部模式与粗粒度全局趋势之间取得平衡；每个层级采用基于 Gated MLP 的 PatchMixer 与 FeatureMixer 替代传统 Attention，在保持表达力的同时大幅降低计算开销。TTM 在约 10 亿跨域样本上预训练（覆盖电力、天气、交通等 40 余领域），本项目通过 safetensors 权重映射实现 100% 预训练参数加载（805,280/805,280），冻结 TTM 主干后仅微调输出头。数据方面，METR-LA 数据集采集自洛杉矶高速公路网 207 个传感器节点，时间粒度为 5 分钟，覆盖约 3 个月（2012 年 3—6 月），总计 34,272 条时序记录，建模任务为基于 512 步（约 42.7 小时）历史窗口预测未来 12 步（60 分钟）和 24 步（120 分钟）的交通速度，最终在 H12 上取得 R²=0.880、MAPE=7.17%，H24 上取得 R²=0.848、MAPE=8.19% 的预测精度。