模型服务 · 预测与微调 | kube-res-foresight

← 算法与模型总览

用途与适用负载

通过 HTTP 调用外部时序模型。模型管理中配置服务，模块中选择预测方式。服务不可用时本次候选失败，其他算法继续按资格参与。

历史数据与运行条件

平台至少 30 点，服务可能另有上下文限制；finetune_min_points 仅决定何时提交微调，不是预测的最低点数。

输入应是等间隔、无缺口且数值有限的序列。输出保留输入指标单位，例如 CPU 核、内存字节或每秒请求数；采样步长决定步数对应的真实时间。最低样本数仅表示可运行，不代表预测可靠。

此方法不使用协变量；分别预测各目标指标。

参数说明

窄屏可左右滑动参数表，查看完整说明。

参数 / 类型	默认值 / 范围 / 单位	含义与使用
`endpoint` string	必填，无默认值无额外范围限制	模型服务的地址，如 http://chronos:8000，不带结尾斜杠。
`protocol` string	"finetune" finetune / unitshub_chronos / unitshub_timesfm	服务的接口协议：finetune = scripts/tsfm-eval/finetune 的服务（支持微调）；unitshub_chronos、unitshub_timesfm = kingfs/unitshub 的现成容器（只预测）。
`api_key_env` string	"" 无额外范围限制	保存访问密钥的环境变量名（平台进程的环境变量），预测时作为 Bearer 密钥发给服务；留空表示服务不需要密钥。密钥本身不存进算法参数。
`timeout_seconds` int	30 ≥ 1; ≤ 600; s	一次预测请求的超时时间。
`service_quantile` float	0 ≥ 0; ≤ 0.99	0 = 用服务给的均值预测；0.5～0.99 = 用服务给的这个分位数（如 0.9 = 实际值不超过这条线）。分位数预测按 pinball 损失和覆盖率回测。
`finetune_interval_hours` int	0 ≥ 0; ≤ 720; h	微调间隔：服务上微调后的模型超过这么久，平台就重新提交数据微调一次；0 = 不微调，一直用预训练模型。只有 finetune 协议的服务支持。微调在后台进行，期间预测仍用旧的微调模型（没有就用预训练模型）。
`finetune_mode` string	"full" full / lora	微调方式：full = 全参数微调；lora = 低秩适配（服务端要装 peft，没装会让微调失败）。
`finetune_steps` int	30 ≥ 1; ≤ 2000; steps	每次微调的训练步数；增加会提高训练耗时，也可能过拟合。
`finetune_learning_rate` float	1e-05 ≥ 1e-08; ≤ 0.01	微调的学习率。全参数微调用很小的值（1e-5 量级）。
`finetune_batch_size` int	16 ≥ 1; ≤ 256	微调每步用的窗口数。
`finetune_context_length` int	256 ≥ 16; ≤ 8192; steps	微调时每个训练窗口读取的最近步数。
`finetune_min_points` int	200 ≥ 60; ≤ 100000; points	序列至少有这么多点才提交微调；更短的序列微调只会学到噪声，继续用预训练模型。

配置示例

在“模型管理”编辑参数。以下仅为参数对象，不是 config.yaml 全文；周期示例按 5 分钟采样，需按实际步长调整。未列出的可选参数使用上表默认值。

JSON

{
  "endpoint": "http://chronos:8000",
  "protocol": "finetune",
  "timeout_seconds": 30,
  "service_quantile": 0,
  "finetune_interval_hours": 0
}

调参与取舍

要启用后台微调，可从以下配置开始。服务端须已部署并支持对应协议；示例地址需要替换为自己的服务。24 小时是此示例的微调间隔，不是平台默认值。

JSON

{
  "endpoint": "http://chronos:8000",
  "protocol": "finetune",
  "timeout_seconds": 30,
  "finetune_interval_hours": 24,
  "finetune_mode": "full",
  "finetune_steps": 30,
  "finetune_learning_rate": 0.00001,
  "finetune_batch_size": 16,
  "finetune_context_length": 256,
  "finetune_min_points": 200
}

finetune 协议支持后台微调；unitshub_chronos 与 unitshub_timesfm 仅预测，微调间隔必须为 0。密钥放平台进程环境变量，api_key_env 只填写变量名。回测与回放使用预训练模型，微调效果查看在线预测的实测回填。

通用参数：变化重置与分位校准

参数 / 类型	默认值 / 范围 / 单位	含义与使用
`reset_on_change` bool	false 无额外范围限制	水平突变后重置：检测历史里最后一次水平突变（发布、扩缩容、流量切换），只用突变之后的历史预测。关闭时用全部历史（现状）。突变之后至少要有 6 步才会被确认；突变后的历史不够算法所需时，取算法所需的最新一段。
`change_threshold` float	8 ≥ 3; ≤ 50	突变阈值：突变幅度（扣除前一段趋势后）超过噪声的多少倍才算，越大越不容易误报，噪声由相邻步变化的稳健标准差估计。仅 reset_on_change=true 时使用。
`change_min_shift` float	0.2 ≥ 0; ≤ 5	最小突变幅度：突变至少是水平的这个比例（0.2 = 20%），很干净的序列上的微小跳变不算。仅 reset_on_change=true 时使用。
`quantile_level` float	0 ≥ 0; ≤ 0.99	推荐分位数：0 = 点预测（现状）；0.9 等 = 预测「实际值有约 90% 的把握不超过」的线（保形预测：用本算法在这个负载最近几个窗口里的真实误差校准，需要更多历史和时间）。必须大于 0.5。
`calibration_windows` int	8 ≥ 3; ≤ 50	校准窗口数：用最近多少个历史窗口测本算法的误差；越多越稳，也越慢（每个窗口多跑一次预测）。仅推荐分位数大于 0 时使用。

quantile_level 是 0～1 的分位点，percentile 是 1～100 的百分数，二者不是同一参数。分位校准会额外运行历史预测；增加校准窗口前检查历史与运行预算，覆盖率是评估目标而非保证。

在模块中使用

保存参数，检查历史窗口、采样步长和预测范围。
打开模块的“启用预测”；固定算法只运行指定方法，动态算法使用平台已启用的方法。
先运行滚动回测，通过版本晋升后才会采用；修改影响模型版本的参数后重新回测。
在仅观察或仅推荐下检查误差、峰值低估、耗时与采用原因，再分别授权准入和副本执行。

历史不足、参数不合法、运行超时或输出无效时，检查算法运行原因；没有合格预测时按模块的固定周期、兜底与保护规则处理。

回测与效果评估 · 推荐与前瞻决策