GluonTS

LSTNet

AI GitHub 仓库

深度学习模型，专为时间序列预测而设计。它通过结合循环神经网络和卷积神经网络，有效地建模长期和短期时间模式。该模型对于复杂的时间序列数据特别有用。LSTNet 是一款深度学习模型，专为时间序列预测而设计。它通过结合循环神经网络和卷积神经网络，有效地建模长期和短期时间模式。该模型对于复杂的时间序列数据特别有用。

Autoformer

AI GitHub 仓库

用于长期时间序列预测的 AI 模型，它利用分解 Transformer 和自相关机制。该模型在各种基准测试中取得了最先进的结果，为提高实际应用中的预测准确性提供了一种新颖的系列连接方法。Autoformer 是一款用于长期时间序列预测的 AI 模型，它利用分解 Transformer 和自相关机制。该模型在各种基准测试中取得了最先进的结果，为提高实际应用中的预测准确性提供了一种新颖的系列连接方法。

Chronos-2 — 时间序列预测模型

AI 模型

拥有 1.2 亿参数的仅编码器时间序列基础模型，旨在实现零样本预测。它支持多种预测任务，并且高效，能够在单个 A10G GPU 上每秒提供超过 300 个预测。Chronos-2 是一个拥有 1.2 亿参数的仅编码器时间序列基础模型，旨在实现零样本预测。它支持多种预测任务，并且高效，能够在单个 A10G GPU 上每秒提供超过 300 个预测。

LTSF-Linear

AI GitHub 仓库

"Are Transformers Effective for Time Series Forecasting?" 的官方 PyTorch 实现。它引入了一系列线性模型（Linear, DLinear, NLinear），在长期时间序列预测任务上表现优于 Transformer，同时具有高效率和可解释性。LTSF-Linear 是 "Are Transformers Effective for Time Series Forecasting?" 的官方 PyTorch 实现。它引入了一系列线性模型（Linear, DLinear, NLinear），在长期时间序列预测任务上表现优于 Transformer，同时具有高效率和可解释性。

TimesNet

AI 模型

通用的时间序列分析基础模型，它将一维序列转换为二维空间以增强建模能力。通过利用视觉骨干网络进行强大的表示学习，在预测、插补、异常检测和分类任务中取得了最先进的成果，能够处理多样化的时间模式。TimesNet 是一个通用的时间序列分析基础模型，它将一维序列转换为二维空间以增强建模能力。通过利用视觉骨干网络进行强大的表示学习，在预测、插补、异常检测和分类任务中取得了最先进的成果，能够处理多样化的时间模式。

DeepDetect

AI 框架

专为深度学习模型部署和管理设计的 AI 框架。它简化了服务机器学习模型的过程，使开发人员能够高效地将 AI 功能集成到他们的应用程序中。该平台专注于提供一个强大的后端，用于实时推理和模型监控。DeepDetect 是一个专为深度学习模型部署和管理设计的 AI 框架。它简化了服务机器学习模型的过程，使开发人员能够高效地将 AI 功能集成到他们的应用程序中。该平台专注于提供一个强大的后端，用于实时推理和模型监控。

PatchTST

AI 模型

基于 Transformer 的长时序预测模型的官方实现。它将时间序列分割成块（patches）并独立处理，提供高效且有效的预测。该项目提供了监督学习和自监督学习方法的代码，实现了强大的预测能力。PatchTST 是一个基于 Transformer 的长时序预测模型的官方实现。它将时间序列分割成块（patches）并独立处理，提供高效且有效的预测。该项目提供了监督学习和自监督学习方法的代码，实现了强大的预测能力。

N-BEATS

AI GitHub 仓库

基于神经网络的单变量时间序列预测模型。由 ServiceNow Research 开发，它实现了 N-BEATS 算法以获得可复现的实验结果。该存储库提供了 PyTorch 实现、数据集加载器和用于高级时间序列分析的实验配置。N-BEATS 是一个基于神经网络的单变量时间序列预测模型。由 ServiceNow Research 开发，它实现了 N-BEATS 算法以获得可复现的实验结果。该存储库提供了 PyTorch 实现、数据集加载器和用于高级时间序列分析的实验配置。