#概率预测

darts

Darts是一个用户友好且灵活的Python库，专注于时间序列的预测与异常检测。它提供了一系列从ARIMA到深度神经网络的多样化模型，通过统一的fit()和predict()接口简化操作，类似于scikit-learn。此外，Darts支持包括多变量和外部数据在内的复杂时间序列处理，并为大规模数据集提供高效解决方案。它还拥有全面的异常检测功能，允许进行深入的异常分析和评分。

lag-llama

Lag-Llama是开源的时间序列预测基础模型，支持任意频率和预测长度的零样本预测及模型微调。项目提供预训练和微调脚本，可复现论文实验。模型具备强大的零样本能力，微调后性能更佳。使用时可通过调整上下文长度和学习率等参数优化性能。作为概率预测模型，Lag-Llama输出每个时间步的概率分布。

ngboost

NGBoost是一个基于自然梯度提升的Python库，专注于概率预测。该库构建于Scikit-Learn之上，提供可扩展和模块化的设计，支持多种评分规则、分布和基础学习器。NGBoost适用于回归和分类任务，提供直观的API和丰富的文档。它特别适合需要不确定性估计的机器学习项目，是数据科学领域的实用工具。

chronos-t5-base

Chronos-T5-Base是一个基于T5架构的时间序列预测基础模型，拥有2亿参数。该模型将时间序列数据转化为token序列，并通过交叉熵损失函数进行训练。通过采样多个可能的未来轨迹，Chronos-T5-Base能够生成概率预测结果。模型在大量公开时间序列数据和合成数据上训练，适用于多种时间序列预测场景，为研究人员和开发者提供了一个强大的预训练工具。

chronos-t5-mini

Chronos-T5-Mini是一款基于T5架构的预训练时间序列预测模型，拥有2000万参数。该模型将时间序列转换为token序列进行训练，可生成概率性预测。Chronos-T5-Mini在大量公开时间序列数据和合成数据上训练，适用于多种时间序列预测任务。通过Chronos Pipeline，研究人员和开发者可以便捷地使用该模型进行推理，获得精确的预测结果。

chronos-t5-large

Chronos-T5-Large是一个大规模时间序列预测基础模型，基于T5架构设计，包含7.1亿参数。模型通过将时间序列转换为token序列进行训练，能够生成概率性预测结果。它在海量公开时间序列数据和合成数据上训练，适用于广泛的时间序列预测任务。研究人员可使用简洁的Python接口调用模型，获取未来趋势预测及相应的置信区间。

chronos-t5-large

Chronos-T5-Large是一个拥有7.1亿参数的大规模时间序列预测模型。该模型基于T5架构，通过将时间序列转化为token序列进行训练，能生成概率性预测。Chronos-T5-Large在大量公开和合成时间序列数据上训练，可处理多种预测任务。研究人员和开发者可通过Python接口使用该模型，适用于需要高精度分析的时间序列场景。

chronos-t5-mini

Chronos-T5-Mini是基于T5架构开发的时间序列预测模型，参数规模为2000万。模型通过将时间序列转换为token序列进行训练，采用多轨迹采样方式实现概率预测。模型在公开时间序列数据集和高斯过程生成的合成数据上完成预训练，采用4096大小的词汇表，相比原始T5模型显著降低了参数量同时保持了预测性能。

chronos-t5-small

Chronos-t5-small是一个基于T5架构的预训练时间序列预测模型，参数量为4600万。该模型将时间序列转换为token序列进行训练，可生成多个未来轨迹的概率性预测。模型训练数据包括公开数据集和高斯过程生成的合成数据。它支持GPU加速和bfloat16精度，适用于多种时间序列预测场景。与原始T5模型相比，Chronos-t5-small采用更小的词汇表（4096个token），提高了计算效率。