Chronos-2 — 时间序列预测模型

GluonTS

AI 框架

用于概率时间序列建模的 Python 包，利用基于 PyTorch 和 MXNet 的深度学习模型。它通过生成概率分布形式的预测（包括预测区间）来实现准确的预测，适用于复杂的时间序列分析。GluonTS 是一个用于概率时间序列建模的 Python 包，利用基于 PyTorch 和 MXNet 的深度学习模型。它通过生成概率分布形式的预测（包括预测区间）来实现准确的预测，适用于复杂的时间序列分析。

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。

Prophet

AI 框架

Facebook 开发的一个开源预测程序。它专为具有强烈季节性效应和多个季节性的时间序列数据而设计。Prophet 速度快、自动化程度高，并且可以由数据科学家和分析师进行调优以实现精确预测。Prophet 是 Facebook 开发的一个开源预测程序。它专为具有强烈季节性效应和多个季节性的时间序列数据而设计。Prophet 速度快、自动化程度高，并且可以由数据科学家和分析师进行调优以实现精确预测。

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。

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。

PredictHQ

AI 应用

#47

现实世界上下文平台，通过整合全球事件数据来增强 AI 和预测能力。它帮助企业通过理解驱动需求变化的事件来改善规划和预测。PredictHQ 是一个现实世界上下文平台，通过整合全球事件数据来增强 AI 和预测能力。它帮助企业通过理解驱动需求变化的事件来改善规划和预测。

Informer2020

AI GitHub 仓库

Informer2020 GitHub 存储库提供了 Informer 模型的 PyTorch 实现，该模型专为高效长序列时间序列预测而设计。它采用 ProbSparse Attention 来处理自注意力得分中的长尾分布，为复杂的预测任务提供了先进的解决方案。

Nixtla | 时间序列预测与异常检测

AI 应用

#7

提供企业级时间序列预测和异常检测解决方案。利用先进的人工智能技术，它提供准确的预测和洞察，帮助企业有效地做出数据驱动的决策。Nixtla 提供企业级时间序列预测和异常检测解决方案。利用先进的人工智能技术，它提供准确的预测和洞察，帮助企业有效地做出数据驱动的决策。