#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-small

Chronos-T5-Small是一款基于T5架构的预训练时间序列预测模型。该模型将时间序列转换为标记序列，通过交叉熵损失训练语言模型实现预测。经过大量公开时间序列数据和合成数据的训练，Chronos-T5-Small能够生成概率性预测结果。作为Chronos系列中的中等规模版本，这个拥有4600万参数的模型适用于多种时间序列预测任务。

chronos-t5-tiny

Chronos-T5-Tiny是基于T5架构的轻量级预训练时间序列预测模型，拥有800万参数。它将时间序列转换为token序列进行训练，可生成概率性预测。该模型在大量公开和合成时间序列数据上训练，能处理多种预测任务，适合快速部署和推理。作为Chronos系列的一员，它为时间序列分析提供了高效的解决方案。

chronos-t5-tiny

Chronos-T5-Tiny是一款轻量级时间序列预测模型，基于T5架构设计。该模型将时间序列转换为token序列进行训练，能够生成概率性预测并支持多轨迹采样。与原始T5相比，Chronos-T5-Tiny仅使用4096个不同token，参数量减少至800万，更加精简高效。研究人员和开发者可通过简洁的Python接口快速应用此模型进行时间序列分析。

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。