eCity-TS-313M

eCity-TS-313M — модель прогнозирования многомерных временных рядов для сценариев водоканалов от eCityAI-Sup, построенная на базе Toto 2.0. Это decoder-only patch-based Transformer на 313M параметров: внимание чередует ось времени (causal) и ось переменных (fully connected), а quantile head выдаёт интервалы. На входе — история до 4096 шагов по 15 переменным, на выходе — 96 шагов и 9 квантилей.

🔥 Ключевые особенности

• 🦾 Архитектура: decoder-only patch-based Transformer; внимание чередует time axis (causal) и variate axis (fully connected).
• 📉 Quantile head: 9 квантилей (0.1–0.9); медиана — индекс 4, P10/P90 — индексы 0 и 8.
• ⬇ Инференс через ONNX Runtime и TensorRT; в репозитории есть готовые артефакты и demo-скрипты.
• ✅ Сценарии водоканала: объём подачи, поток в распределительной сети, давление и уровень резервуаров.
• 💥 Батч до 8 площадок за один проход; B — единственная динамическая размерность.

😎 Пример

import numpy as np
import onnxruntime as ort
ort.preload_dlls()
session = ort.InferenceSession("artifacts/ecity_ts_313m_15x4096.onnx", providers=["CUDAExecutionProvider"])
target = np.asarray(x, dtype=np.float32)[None]  # [1, 15, 4096]
target_mask = np.isfinite(x)[None]
series_ids = np.arange(15, dtype=np.int64)[None]
quantiles = session.run(["quantiles"], {"target": target, "target_mask": target_mask, "series_ids": series_ids})[0]

Подробнее

На датасете Xi'an Xingfu Lindai: MAE 38.04 против 229.56 у TimesFM и 87.35 у Moirai; RMSE 78.48 против 371.75 и 153.07.
TensorRT на H200, batch=4: P50 142 мс, throughput 28.4 samples/s; ошибки ONNX/TensorRT около 4e-4 max_abs.
ONNX-веса ~1.3 ГБ; TensorRT engine ~1216 МБ и привязан к GPU/CUDA/TensorRT. Нужны CUDA 12.x и cuDNN 9.
Ограничения: фиксированные V=15, T=4096, H=96; только fp32; batch 1–8; текущий артефакт считает все точки наблюдаемыми.
База — Toto 2.0; репозиторий покрывает только инференс, без обучения.