面向 univariate 统计预测与保守推断的 Jax 库 Chronax
机器学习
2026-04-21 v1
摘要
时间序列预测是众多科学和工业领域的核心问题，涵盖能源系统、气候建模、金融和零售等领域。尽管预测方法从经典统计模型演进到自动化和神经方法，但周边软件生态仍依赖传统 Python 数值堆栈。现有库依赖解释器驱动的执行和面向对象抽象，限制了可组合性、大规模并行性及与现代可微分和加速器导向工作流程的集成。同时，今天的预测日益涉及大规模异构时间序列数据、不规则协变量以及频繁重新训练，对可扩展性和执行效率提出新挑战。JAX 提供了一种与传统有状态数值计算框架不同的范式，基于纯函数和程序转换（如即时编译和自动向量化），实现跨 CPU、GPU 和 TPU 的端到端优化。然而，这一现代范式尚未完全融入预测系统的设计中。我们介绍 Chronax，一个 JAX 原生时间序列预测库，通过函数纯度、可组合转换和加速器就绪型执行重新构想预测抽象。将预处理、建模和多逐 horizon 预测表示为纯 JAX 函数，Chronax 实现可扩展的多序列预测、模型无关的保守不确定性量化以及与现代机器学习和科学计算管道的无缝集成。
引用
@article{arxiv.2604.16719,
title = {Chronax: A Jax Library for Univariate Statistical Forecasting and Conformal Inference},
author = {Xan Carey and Yash Deshmukh and Aileen Huang and Sunit Jadhav and Omkar Tekawade and Lorraine Yang and Anvesha Tiwary and Gerardo Riano and Amy Greenwald and Denizalp Goktas},
journal= {arXiv preprint arXiv:2604.16719},
year = {2026}
}