PriorLabs/tabpfn-time-series

解决的问题

TabPFN-TS 通过实现无需耗时模型训练或微调的零样本预测，解决了时间序列预测的挑战。它允许用户快速生成点预测和概率预测，使其在快速实验中极具可访问性。

工作原理

该项目将单变量时间序列预测建模为一个表格回归问题。遵循四个步骤：

1. 将时间序列转换为表格格式。
2. 提取并添加时间特征（如日历和季节性特征）到表格中。
3. 使用 TabPFN（表格基础模型）对表格进行回归。
4. 将回归结果作为最终的时间序列预测输出。

支持目标历史和已知未来协变量（如节假日或计划事件），但目前会丢弃过去的动态和静态协变量。

适用人群

专为需要无需从头训练模型即可快速、准确预测的数据科学家和研究人员设计，也适合希望以最少设置进行概率预测的用户。

亮点

• 零样本能力：无需训练即可立即提供预测。
• 概率预测支持：支持点预测和概率预测输出。
• 已知未来协变量支持：如果未来值已知，可整合节假日或天气预报等外部数据。
• 云就绪推理：与 tabpfn-client 集成，用户无需自己的 GPU 即可运行快速推理。