LSTNet

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。

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。

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。

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。

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。

Pangu-Weather

AI GitHub 仓库

基于 AI 的系统，用于精确的全球中期天气预报。它利用三维神经网络和分层时间聚合策略，达到比传统数值天气预报方法更高的精度，同时速度大幅提升。Pangu-Weather 是基于 AI 的系统，用于精确的全球中期天气预报。它利用三维神经网络和分层时间聚合策略，达到比传统数值天气预报方法更高的精度，同时速度大幅提升。