Logo
Project Icon

ETSformer-pytorch

基于PyTorch的先进时间序列Transformer模型

ETSformer时间序列预测PytorchTransformer指数平滑Github开源项目

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。

GithubGithub论文论文
介绍相关项目
pytorch-ts - 概率时间序列预测开源框架
GithubPyTorchPyTorchTS开源项目时间序列预测概率模型深度学习
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。
pytorch-forecasting - 前沿的时间序列预测工具包，提供灵活的高层API
GithubPyTorch ForecastingPyTorch Lightning开源项目时间序列预测深度学习神经网络
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。
iTransformer - 先进的时间序列预测模型，打造SOTA性能
GithubiTransformer人工智能开源项目时间序列预测注意力网络深度学习
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。
uni2ts - 时间序列预测Transformer模型的统一训练框架
GithubPyTorchTransformerUni2TS开源项目时间序列预测预训练模型
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。
iTransformer - 用于多变量时间序列预测的iTransformer模型
GithubTransformer模型iTransformer多变量预测开源项目时间序列预测高效注意力机制
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。
TabFormer - 用于对多变量时间序列进行建模的表格转换器
GithubICASP 2021TabFormerTabular BERT信用卡交易数据集多变量时间序列开源项目
该项目提供了用Pytorch实现的Tabular Transformers源代码和数据，可用于多变量时间序列建模。项目特点包括层级变压器模块、综合信用卡交易数据集、改进的自适应Softmax和为表格数据调整的DataCollatorForLanguageModeling模块。代码架构基于HuggingFace的transformers框架，拥有很好的扩展性和易用性。
Nonstationary_Transformers - 创新时间序列预测方法应对非平稳数据
GithubNon-stationary Transformers开源项目时间序列预测模型架构注意力机制深度学习
Non-stationary Transformers项目开发了新型时间序列预测方法，采用系列平稳化和去平稳注意力机制处理非平稳数据。该方法在多个基准数据集上展现出优异性能，并能有效提升现有注意力模型的预测效果。项目开源了完整代码和实验脚本，为时间序列预测研究和应用提供了重要参考。
former - 使用PyTorch实现简单Transformer模型的指南
GithubIMDb数据集PyTorchtransformer分类实验开源项目自注意力机制
详细介绍了如何使用PyTorch从零开始实现简单的Transformer模型，包含安装和使用指南，以及通过命令行控制超参数和数据自动下载的说明。
Autoformer - 具有自相关性的分解变压器，用于长期序列预测
AutoformerGithubTransformer开源项目时间序列预测自动相关机制长期预测
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。
Crossformer - 高效利用跨维度依赖的多变量时间序列预测模型
CrossformerGithubTransformer开源项目时间序列预测注意力机制深度学习
Crossformer是一种新型Transformer模型，针对多变量时间序列预测设计。该模型采用维度分段嵌入、两阶段注意力机制和层次编码器-解码器结构，有效捕捉时间和维度间的依赖关系。Crossformer在多个基准数据集上表现优异，为长序列预测和高维数据处理提供新思路。其开源实现便于研究人员和实践者探索应用。
相关项目
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务
投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号