---
language: en
tags:
  - time-series
  - forecasting
  - chronos
  - patch-aliasing
  - t5
license: apache-2.0
---

# Chronos-Bolt Patch Sweep — Studio sull'Aliasing Strutturale

Collezione di modelli **Chronos-Bolt Tiny** (~8.65M parametri) riallenati da zero con diverse geometrie di patch (P, S) per studiare l'aliasing strutturale introdotto dall'embedding a patch nei transformer per serie temporali.

## Risultati principali

L'embedding a patch proietta P campioni consecutivi in un singolo token. Quando un'oscillazione completa esattamente un intero numero di cicli nella finestra di P campioni (`cpp = freq × P / fs = intero`), la proiezione lineare cancella l'oscillazione. Questo produce **nulli nella risposta in frequenza** a posizioni prevedibili: `f_null = k × fs / P`.

| Ipotesi | Esito |
|---------|-------|
| La larghezza P della patch determina la posizione dei nulli | **Confermata** — nulli a k×fs/P |
| I nulli cadono a cpp intero indipendentemente da P | **Confermata** — P=8, P=16, P=24 collassano tutti a cpp intero |
| L'overlap (stride ridotto) mitiga il nullo | **Rigettata** — S=4 collassa quanto S=16 |
| La banda utile del forecaster è fs/P | **Confermata** — recovery crolla sopra questa soglia |

## Modelli

| Cartella | P | S | Overlap | Step | Stato | Ruolo |
|----------|---|---|---------|------|-------|-------|
| `p16-s12-seed42` | 16 | 12 | 25% | 100k | done | Asse stride |
| `p16-s8-seed42` | 16 | 8 | 50% | 100k | done | Asse stride |
| `p16-s4-seed42` | 16 | 4 | 75% | 100k | done | Asse stride |
| `p8-s8-seed42` | 8 | 8 | 0% | 100k | done | Asse patch-size |
| `p24-s24-seed42` | 24 | 24 | 0% | 100k | done | Asse patch-size |
| `p16-s16-seed42` | 16 | 16 | 0% | 10k | **stale** | Sostituito dall'ufficiale |

> **Nota su p16-s16.** Il retrain p16-s16-seed42 si è fermato a ~33k step e i pesi su HF sono quelli vecchi a 10k. Per il confronto P=16 S=16 usiamo direttamente il modello ufficiale [`amazon/chronos-bolt-tiny`](https://huggingface.co/amazon/chronos-bolt-tiny) (200k step, corpus completo, stessa geometria P=16 S=16). È il miglior anchor possibile per l'asse stride.

## Training

- **Architettura:** T5-based (Chronos-Bolt Tiny), ~8.65M parametri
- **Dataset:** [autogluon/chronos_datasets](https://huggingface.co/datasets/autogluon/chronos_datasets) — TSMixup 10M + KernelSynth 1M, interleaving 9:1
- **Step:** 100,000 (streaming da HF, shuffle buffer 10k)
- **Ottimizzatore:** AdamW fused, LR 1e-3 → 0 (linear decay), no warmup
- **Batch size:** 32, gradient clipping 1.0
- **Precisione:** fp32 + TF32 (RTX 5060 Laptop, sm_120)
- **Context/Prediction:** 2048 / 64

Ogni modello è allenato con lo stesso seed (42), stesso dataset, stessi iperparametri. L'unica variabile è la geometria della patch (P, S).

## Come usare

```python
from chronos import ChronosBoltPipeline
import torch

# Caricare un singolo modello retrained
pipe = ChronosBoltPipeline.from_pretrained(
    "federicosabbadini/chronos-bolt-patch-sweep",
    subfolder="p8-s8-seed42",
    device_map="cuda",
    torch_dtype=torch.float32,
)

# Caricare il modello ufficiale come reference P=16 S=16
official = ChronosBoltPipeline.from_pretrained(
    "amazon/chronos-bolt-tiny",
    device_map="cuda",
)

# Forecast
import numpy as np
context = torch.tensor(np.random.randn(512), dtype=torch.float32)
forecast = pipe.predict(context, prediction_length=64)  # [1, 9, 64] — 9 quantili
median = forecast[0, 4, :]  # quantile 0.5
```

### Caricare tutti i modelli per confronto

```python
REPO = "federicosabbadini/chronos-bolt-patch-sweep"
VARIANTS = ["p16-s12-seed42", "p16-s8-seed42", "p16-s4-seed42",
            "p8-s8-seed42", "p24-s24-seed42"]

models = {}
for name in VARIANTS:
    models[name] = ChronosBoltPipeline.from_pretrained(
        REPO, subfolder=name, device_map="cuda", torch_dtype=torch.float32
    )

# Aggiungere l'ufficiale come p16-s16
models["p16-s16 (official)"] = ChronosBoltPipeline.from_pretrained(
    "amazon/chronos-bolt-tiny", device_map="cuda"
)
```

## Struttura del repository

```
├── manifest.csv                    # tabella riassuntiva di tutti i run
├── p16-s12-seed42/
│   ├── config.json                 # config del modello (include P, S)
│   ├── model.safetensors           # pesi finali (100k step)
│   ├── run_config.json             # iperparametri del training
│   ├── loss_history.npy            # curva di loss
│   └── loss_curve.png              # plot della loss
├── p16-s8-seed42/                  # stessa struttura
├── p16-s4-seed42/
├── p8-s8-seed42/
├── p24-s24-seed42/
└── p16-s16-seed42/                 # ⚠️ stale — pesi a 10k, non usare
```

## Codice sorgente

Il codice di training, valutazione e analisi è nel repository GitHub: i script di sweep frequenziale, il notebook inspector, e i generatori di segnali sintetici con injection controllata.

## Licenza

Apache 2.0 — stesso della famiglia Chronos.