#时间序列预测

streamlit_prophet是一款开源的时间序列预测工具，集成了Streamlit的交互功能和Prophet的预测算法。它提供了简洁的用户界面，支持数据上传、预处理、模型调参、评估和预测等功能。兼容Python 3.7-3.9版本，streamlit_prophet通过可视化界面简化了时间序列预测过程。这个工具适用于数据分析师和业务人员，可快速部署并用于各类预测分析任务。

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。

SysIdentPy是一个开源Python库,专注于NARMAX模型及其变体的系统识别。该库提供先进的模型结构选择和参数估计技术,支持多种基函数,并可与神经网络和机器学习算法集成。它为时间序列分析和动态系统建模提供了灵活易用的框架,适用于构建动态非线性模型。

finnts是微软开发的时间序列预测框架，提供自动化特征工程、选择、回测和模型选择功能。支持25种以上单变量和多变量模型，可处理多种时间尺度的预测。框架支持外部回归变量，能与Azure集成实现云端并行处理。虽源于金融领域，但适用于各类时间序列预测问题。

CEEMDAN_LSTM是一个Python模块，结合完整集成经验模态分解(CEEMDAN)和长短期记忆(LSTM)神经网络进行时序预测。该项目提供多种预测方法和评估工具，支持灵活的参数设置，适用于金融等领域的复杂时序数据分析。它简化了分解集成预测的实现过程，有助于研究人员和数据分析师快速构建和优化预测模型。CEEMDAN_LSTM支持多种预测方法，包括单一、集成、分别和混合预测等。它还提供了统计测试、热图绘制和DM测试等模型评估工具，有助于全面分析预测结果。

Koopa是一个基于Koopman理论的轻量级模型，用于高效预测非平稳时间序列。它实现了最先进的性能，同时减少了77%的训练时间和76%的内存使用。Koopa采用端到端预测训练，提高了对非线性时间序列演化的建模能力。项目提供完整代码实现、实验脚本和数据集，支持滚动预测，并能适应持续的分布偏移。

该项目提供时间序列预测特征工程的全面指南，涵盖数据表格化、时间序列分解、缺失值处理和异常值检测等核心内容。深入介绍滞后特征、窗口特征、趋势和季节性特征的创建方法，以及日期时间和分类特征的处理技巧。通过实践代码和详细说明，旨在提升预测模型性能。

ReservoirComputing.jl是一个Julia语言开发的水库计算库，支持回声状态网络(ESN)等多种模型。该库提供高效、模块化的实现，可用于时间序列预测和动态系统建模。作为SciML生态系统的一部分，ReservoirComputing.jl具有灵活的API设计和丰富的功能，通过简洁的接口和详细文档，便于研究人员和工程师快速构建复杂的水库计算模型。

forecast是一个R语言包，用于单变量时间序列预测分析。它支持ETS、ARIMA、ARFIMA、STL和TBATS等多种预测模型，包括基于状态空间模型的指数平滑和自动ARIMA建模。该包提供可视化工具，便于展示和分析预测结果。forecast适用于不同水平的数据分析人员，提供多样化的时间序列预测工具。

fable是一个R语言包,提供单变量和多变量时间序列预测模型。它支持基于状态空间模型的指数平滑、自动ARIMA建模等,与tidyverse工作流程兼容。fable内置ETS、ARIMA和SNAIVE等模型,可进行预测并生成可视化图表。该包适用于多种时间序列预测场景,为数据分析和研究提供便利。

Prophet.rb是Ruby版的时间序列预测库，源自Facebook的Prophet项目。它支持多重季节性、线性和非线性增长、节假日效应，可处理缺失数据。提供简单和高级API，功能包括异常检测、饱和预测、趋势变点分析和模型诊断。Prophet.rb简化了预测、可视化和模型优化流程，适用于各种数据分析和预测任务。

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。

LotteryPrediction是一个开源项目，结合机器学习和数据分析技术，旨在为彩票预测提供数据驱动的解决方案。该项目通过分析历史开奖数据，识别潜在模式，并应用统计方法预测未来结果。LotteryPrediction提供多种服务级别，从基础开源版本到定制化企业解决方案。项目还包含数据可视化工具，帮助用户更好地理解彩票数据趋势。需要注意的是，该项目不保证预测准确性，仅作为辅助决策工具使用。

TimeMoE-50M是一个基于混合专家(MoE)架构的时间序列预测基础模型，专为处理十亿规模数据而设计。此模型旨在优化大规模时间序列分析的准确性和效率。开发者可在GitHub页面上找到详细的使用指南和实现方法，有助于将其整合到各类时间序列分析项目中，提升预测能力。

Moirai-1.0-R-small是一个开源的预训练时间序列预测模型。它基于掩码编码器架构，在LOTSA数据集上训练，可处理多变量时间序列。该模型使用补丁嵌入和混合分布输出等技术，提供高精度预测。通过uni2ts库，研究人员和开发者可以便捷地将Moirai应用于各类时间序列预测任务。

Chronos-T5-Base是一款基于T5架构的时间序列预测基础模型，具有2亿参数规模。该模型将时间序列转换为token序列，通过交叉熵损失训练，能够生成多样化的概率性预测。Chronos-T5-Base在大量公开时间序列数据和合成数据上进行了预训练，适用于广泛的时间序列预测场景。研究人员和开发者可以通过Python接口轻松调用该模型，实现高效的时间序列分析和预测。

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。

Autoformer是一个面向长期时间序列预测的开源模型，通过分解架构和自相关机制突破传统Transformer模型的限制。在能源、交通、经济、天气和疾病五大领域的基准测试中，预测精度提升38%，可应用于极端天气预警和能源消耗规划等长期预测场景。

Moirai-1.0-R-large是一个基于Masked Encoder的时序预测Transformer模型，通过LOTSA数据集预训练而成。模型采用补丁嵌入和Transformer架构设计，支持多变量时序数据处理和动态协变量预测。用户可通过uni2ts库实现模型部署，拥有3.11亿参数的模型规模使其成为Moirai系列中参数量最大的版本。

Moirai-1.0-R-base是一个基于掩码编码器的通用时间序列预测Transformer模型，在LOTSA数据集上预训练。该模型包含9100万参数，使用补丁嵌入和变量ID编码方法，可处理多变量时间序列数据进行预测。模型支持自定义预测长度和上下文窗口设置，通过uni2ts库实现部署。作为Moirai系列的中型版本，该模型在性能和计算效率方面达到平衡。

IBM Research开源的TinyTimeMixers (TTM)模型仅需1M参数,就能在多变量时间序列预测中超越数十亿参数的基准。TTM支持零样本预测,也可用少量数据微调达到竞争性能。适用于分钟至小时级别的点预测,轻量快速,单GPU或笔记本即可运行。TTM为时间序列预测带来新方向,尤其适合资源受限环境。