PyTorch Forecasting 是一个基于 PyTorch 的时间序列预测包，适用于实际应用和研究。它支持多种神经网络架构及自动日志记录，利用 PyTorch Lightning 实现多 GPU/CPU 的扩展训练，并内置模型解释功能。关键特性包括时间序列数据集类、基本模型类、增强的神经网络架构、多视角时间序列指标和超参数优化。安装简便，支持 pip 和 conda，文档详尽，并包含模型比较和使用案例。

NeuralProphet是一个基于PyTorch的开源框架，将神经网络与传统时间序列算法结合，专为时间序列预测而设计。它提供简便的代码接口，支持模型定制、趋势检测、季节性分析和事件影响评估，适合高频次和长期数据。项目仍在beta阶段，欢迎社区贡献。

GluonTS是一个基于Python的时间序列建模库，专注于采用深度学习方法进行概率预测。支持多种深度学习框架，包括PyTorch和MXNet，提供易于安装和使用的特性。适用于多种应用场景，如商业分析和数据科学。由一个积极的开源社区维护和发展。

iTransformer是一种用于多变量时间序列预测的开源模型，无需修改任何Transformer模块。它在处理大规模数据时表现出色，具备显著的性能提升和强大的泛化能力。iTransformer已在多种基准测试中表现优异，支持静态协变量和概率发射头。用户可通过pip安装，并使用项目提供的详细训练和评估脚本。更多信息请参阅官方论文。

Flow Forecast 是一个开源时间序列预测深度学习框架，提供最新的Transformer、注意力模型、GRU等技术，并具有易于理解的解释指标、云集成和模型服务功能。该框架是首个支持Transformer模型的时间序列框架，适用于流量预测、分类和异常检测。

Time-LLM将大型语言模型重新用于时序预测，利用其强大功能处理时序数据，并结合专家知识和任务说明提升预测精度。支持Llama-7B、GPT-2和BERT等模型，框架灵活且适应性广泛。了解Time-LLM的最新更新、使用案例和技术细节，访问我们的详细介绍及相关资源。

Orbit 是一个用于贝叶斯时间序列预测和推断的 Python 包，提供直观的初始化-拟合-预测接口。支持的模型包括ETS、LGT、DLT和KTR，采用MCMC、MAP和VI等方法进行优化。用户可以通过PyPI、源码或Anaconda安装，并提供详细的文档和教程。

LTSF-Linear是一个高效的线性模型家族，包括Linear、NLinear和DLinear，专为时间序列预测设计。该模型支持单变量和多变量长时间预测，具有高效率、可解释性和易用性，显著优于Transformer模型。

Informer引入ProbSparse注意机制，大幅提升长序列时间序列预测的效率和精度。该模型利用概率分布选择活跃查询，避免冗余计算，适用于多种数据集，并在AIJ和AAAI'21获奖。提供详细的实验设置、Colab示例和数据下载链接，帮助用户快速上手并复现结果。