PriorLabs/tabpfn-time-series

解決的問題

TabPFN-TS 透過實現零樣本預測，無需耗時的模型訓練或微調，解決了時間序列預測的挑戰。它讓使用者能快速產生點預測與機率預測，極具實驗上的可及性。

如何運作

此專案將單變量時間序列預測視為一個表格迴歸問題。遵循四個步驟：

1. 將時間序列轉換為表格格式。
2. 提取並加入時間特徵（如日曆與季節性特徵）至表格中。
3. 使用 TabPFN（表格基礎模型）對表格進行迴歸。
4. 將迴歸結果作為最終的時間序列預測輸出。

支援目標歷史與已知未來共變量（如假日或預定事件），但目前會忽略過去的動態與靜態共變量。

適用對象

專為需要快速、準確預測且無需從零開始訓練模型的資料科學家與研究人員設計，也適合希望以最少設定進行機率預測的使用者。

特色

• 零樣本能力：無需訓練即可立即提供預測。
• 機率預測支援：支援點預測與機率預測輸出。
• 已知未來共變量支援：若未來值已知，可整合假日或天氣預報等外部資料。
• 雲端就緒推論：與 tabpfn-client 整合，使用者無需自己的 GPU 即可執行快速推論。