TimesFM 3.0 (PyTorch)

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。

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。

FEDformer

AI GitHub 仓库

频率增强分解 Transformer，专为高效的长期时间序列预测而设计。它实现了与序列长度成线性复杂度的计算，通过显著降低多变量和单变量数据集上的预测误差，性能优于最先进的方法。该模型提供开源代码。FEDformer 是一种频率增强分解 Transformer，专为高效的长期时间序列预测而设计。它实现了与序列长度成线性复杂度的计算，通过显著降低多变量和单变量数据集上的预测误差，性能优于最先进的方法。该模型提供开源代码。

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。

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

AI GitHub 仓库

GitHub仓库，提供用于时间序列预测的预训练模型。由亚马逊科学开发，提供各种领域的准确预测工具，增强决策过程。Chronos是一个GitHub仓库，提供用于时间序列预测的预训练模型。由亚马逊科学开发，提供各种领域的准确预测工具，增强决策过程。

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。