amazon-science/chronos-forecasting
Chronos: Pretrained Models for Time Series Forecasting
解决的问题
Chronos 为时间序列预测提供预训练基础模型，消除了为每个新数据集从头开始训练定制模型的需要。它实现了零样本预测，这意味着模型无需进一步训练即可对未见数据进行准确预测。
工作原理
Chronos 将时间序列预测视为语言建模问题。它通过缩放和量化将时间序列数据转换为 Token 序列，从而能够利用语言模型架构。该项目提供三种主要的模型变体：
- Chronos-2: 支持单变量、多变量和协变量辅助预测的最新版本。
- Chronos-Bolt: 一种高性能变体，使用基于补丁（patch-based）的方法对历史数据进行分块，从而实现直接的多步预测，显著加快推理速度并降低内存占用。
- Chronos (Original): 基础系列，通过对量化后的 Token 使用交叉熵损失，通过对未来轨迹进行采样来生成概率预测。
相关
- 项目
Nixtla/nixtlaNixtla 提供一个 Python SDK，让您通过简单的 API 密钥调用 TimeGPT —— 一个用于零样本时间序列预测和异常检测的大规模 Transformer 模型。安装包，创建 `NixtlaClient`，即可在任意 pandas DataFrame 上使用 `forecast` 或 `detect_anomalies`。模型作为托管服务运行（提供免费试用 API 密钥），支持微调、外生变量、多序列预测、Snowflake 部署，以及其它语言的客户端库。SDK 为 Apache-2.0 开源，底层模型为闭源。
- 项目
- 项目
PriorLabs/tabpfn-time-seriesTabPFN-TS 是一个 Python 库，它将单变量时间序列预测转化为表格回归问题，并使用预训练的 TabPFN 基础模型（默认为 TabPFN-3.5）来产生零样本点预测与概率预测。它支持已知未来协变量，可通过本地 CPU 或云端客户端快速运行（无需 GPU），且仅需 pip 安装。其局限性包括缺乏过去动态或静态协变量，以及将多变量目标视为独立序列处理。
- 项目
- 项目