#时间序列预测

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。

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。

该存储库收录了作者在MEDIUM平台发布的时间序列预测及各种机器学习方法的笔记。内容包含从梯度提升和生存分析模型到使用Keras进行异常检测和特征选择等多个主题。每篇文章提供详细的实现代码，适用于数据科学家和机器学习工程师参考和学习。

该项目提供丰富的量化研究资源，涵盖策略回测、机器学习和深度强化学习应用，以及实盘交易演示。资源内容包括投资组合优化、风险值评估、线性回归（经典、贝叶斯、MCMC、卡尔曼滤波、Tensorflow）、均值回归、协整对冲交易、隐马尔科夫链、RNN股票预测、主成分分析、ARIMA和GARCH模型、Fama-French三因子模型等。此外，项目还提供在线资源和教程，帮助用户深入理解和应用量化研究技术。

Autoformer是一种长时间序列预测的通用模型，采用分解变压器和自动相关机制，实现38%的预测精度提升，覆盖能源、交通、经济、天气和疾病等应用领域。最近，该模型已被纳入Hugging Face和Time-Series-Library，并在2022年冬奥会中用于天气预报。Autoformer不同于传统Transformer，不需位置嵌入，具备内在的对数线性复杂度，易于实现和复现。

Prophet是Facebook开发的开源时间序列预测库。基于加法模型，它能处理非线性趋势、多重季节性和节假日效应。适用于具有强季节性且拥有较长历史数据的时间序列，对缺失数据和趋势变化有较强适应性。Prophet支持Python和R语言，API简洁易用，可快速生成高质量预测。

TimesFM是谷歌研究院开发的时间序列预测基础模型，支持多种时间频率的单变量预测。模型可处理最长512个时间点的上下文和任意长度的预测范围，提供简单的API接口支持数组和pandas输入。通过外部回归器库，TimesFM能处理静态和动态协变量。此外，该模型支持微调功能，允许用户在自有数据上优化性能。

Uni2TS是一个基于PyTorch的开源库，专门用于时间序列Transformer的研究和应用。它提供了统一的大规模预训练解决方案，支持微调、推理和评估。该库集成了零样本预测、自定义数据集处理和全面评估功能，并提供简化的命令行界面。Uni2TS旨在推动时间序列预测领域的进展，适用于研究和实际应用场景。

ETSformer-pytorch是一个开源的时间序列分析工具，基于PyTorch实现了先进的Transformer模型。该项目集成了多头指数平滑注意力机制和频率选择功能，适用于时间序列预测和分类任务。ETSformer-pytorch提供简单的安装和使用方法，支持灵活的模型配置，并包含专门的分类包装器。这一工具为研究人员和开发者提供了处理复杂时间序列数据的有效解决方案。

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。

modeltime是R语言的时间序列预测框架，简化了预测工作流程，整合机器学习和传统分析方法。支持ARIMA、ETS、Prophet等模型，可与tidymodels生态系统集成。通过6步流程，用户可快速构建、评估和部署预测模型，适用于高性能时间序列分析。框架还包括modeltime.h2o用于AutoML、modeltime.gluonts用于深度学习，以及modeltime.ensemble用于集成预测。这些组件共同构成了一个全面的时间序列分析生态系统，为不同规模和复杂度的预测任务提供解决方案。

microprediction是一个综合性开源项目集，专注于时间序列预测和优化。该项目提供多个Python库，包括humpDay、timemachines和precise，分别用于无导数优化器评估、增量时间序列预测和协方差估计。这些工具能帮助提高预测精度和模型性能。项目还包含丰富的基准测试和评估工具，便于比较不同方法的效果。适用于数据科学研究和实际应用场景。

sweep是一个R语言包，扩展broom工具用于时间序列预测和分析。它与tidyverse生态系统集成，提供tidy、glance和augment函数处理forecast包模型。sweep将forecast对象转换为tibble，方便使用dplyr、tidyr和ggplot操作和可视化。支持批量预测多个时间序列组和比较多个模型，简化预测工作流程。

StatsForecast是一个专注于统计时间序列预测的Python库。它集成了多种常用模型如ARIMA、ETS等,并通过numba实现高性能计算。该库支持概率预测、外生变量处理和异常检测,可与Spark等大数据框架无缝对接。StatsForecast能高效处理大规模时间序列数据,适用于生产环境和基准测试。

mlforecast是一个基于机器学习模型的时间序列预测框架,具有高效的特征工程实现和良好的可扩展性。该框架支持pandas、polars、spark等多种数据格式,兼容sklearn API,能够处理海量数据。除了支持概率预测和外生变量,mlforecast还提供分布式训练功能,适用于大规模生产环境的时间序列预测任务。框架采用熟悉的fit和predict接口,便于快速上手和集成到现有项目中。

本项目汇总了时间序列预测和深度学习领域的研究论文、竞赛、数据集和代码等资源。内容涵盖2017年至2024年的研究成果，包括Transformer和Mamba等模型的创新应用。同时提供实例、博客和教程，为时间序列分析与预测研究提供全面参考。

这个开源项目利用LSTM神经网络和TensorFlow实现股票价格时间序列预测。它通过yFinance库获取市场数据,分析股票信息、持有人等关键数据。该系统旨在识别股票价格模式,提高预测准确性,为投资决策提供参考。这是一个面向股市分析的人工智能解决方案。

本项目汇集大量研究论文和文章,深入分析变压器和大语言模型在时间序列预测中的表现及局限性。探讨这些深度学习模型处理时间序列数据的挑战,并介绍更适合的替代方法。为时间序列预测领域的研究和应用提供全面的参考资源。

tspiral是一个专注于时间序列预测的Python工具包，提供多种优化技术如递归预测、直接预测、堆叠预测和修正预测。它与scikit-learn兼容，支持全局和多变量时间序列预测，并提供简洁API。tspiral将复杂的时间序列问题转化为表格式监督回归任务，方便用户利用scikit-learn生态系统进行预测分析。

HierarchicalForecast是一个Python库，提供多种层级预测协调方法，如BottomUp、TopDown等，并支持概率一致性预测。该框架集成公开数据集、评估指标和统计基线，旨在为行业和学术界提供可靠的层级预测基准，促进时间序列领域的统计建模和机器学习融合。它为开发新的层级预测算法提供了有力工具，有助于推动相关研究和应用的发展。

iTransformer是一种基于注意力机制的时间序列预测模型，由清华大学和蚂蚁集团研究人员开发。该模型采用倒置Transformer结构，支持多变量和多步长预测。iTransformer引入了可逆实例归一化等技术，旨在提高预测准确性和处理长序列数据的能力。这个开源项目为时间序列分析提供了新的研究方向。项目提供Python实现，支持使用PyTorch框架。用户可通过pip安装并轻松集成到现有的时间序列分析工作流程中。该项目还包括实验性功能，如二维注意力和傅里叶变换增强版本，为研究人员提供了探索和改进的空间。

ReservoirPy是一个实现高效储层计算架构的Python库，专注于回声状态网络(ESN)。它具备离线和在线训练、并行计算、稀疏矩阵运算等功能，支持构建复杂的多储层架构。该库提供图形化工具用于超参数探索，并包含多个教程和科学论文复现案例。适用于Python 3.8及以上版本，ReservoirPy为储层计算提供了简洁而强大的实现方案。

AutoTS是一个Python时间序列预测工具，专注于快速部署高精度预测模型。该工具在2023年M6预测竞赛中表现出色，支持多种预测模型和数据转换方法。AutoTS能够处理多变量输出和概率预测，通过自动机器学习寻找最佳模型组合。它适用于大规模数据集，提供横向和马赛克风格的集成方法，以及丰富的指标、交叉验证和数据处理功能。

PyTorchTS是一个基于PyTorch的开源时间序列预测框架，利用GluonTS作为后端API。它提供先进的概率模型，支持数据处理和回测。该框架适用于单变量和多变量时间序列预测，安装简便，易于使用。PyTorchTS为数据科学家和研究人员提供了高效的时间序列分析工具。

BasicTS是一个开源的时间序列预测基准和工具包，支持空间-时间预测和长时间序列预测等任务。它提供统一标准的评估流程，实现对主流深度学习模型的公平对比。BasicTS还提供易用的接口，便于设计和评估新模型。该项目内置多个数据集和基线模型，支持多种计算设备，并有完善的日志系统。BasicTS致力于推动时间序列预测研究的发展。

Scalecast是一个功能全面的时间序列预测Python库。它提供统一的机器学习建模接口，支持LSTM、ARIMA等多种模型类型。该库集成了自动特征选择、超参数调优、模型堆叠等功能，并提供便捷的数据可视化工具。Scalecast致力于简化复杂的时间序列预测任务，适用于不同规模的预测项目。

TimeMixer是一种基于MLP架构的时间序列预测模型，通过多尺度混合技术实现长短期预测的性能突破。该模型利用Past-Decomposable-Mixing和Future-Multipredictor-Mixing模块处理多尺度时间序列，在多个基准数据集上展现出优异性能。TimeMixer不仅预测精度高，还具备良好的运行效率，适用于多种要求高效预测的应用场景。

本项目汇集了时间序列预测领域的最新论文、代码和相关资源。内容涵盖M4竞赛、Kaggle时间序列竞赛、学术研究、理论基础、实践工具和数据集等。为研究人员和从业者提供全面的参考资料，促进时间序列预测技术的深入研究与应用。

PyAF是一个开源的Python自动预测库，基于NumPy、SciPy等流行数据科学模块构建。该库利用机器学习方法自动预测时间序列未来值，功能comparable于一些商业预测产品。它支持信号分解、外生数据和层次预测，提供简洁API和可定制建模过程。PyAF适用于Python 3.x，采用BSD 3-Clause许可证。PyAF可用于销售预测、股票走势分析、能源需求预测等多种时间序列预测任务。