投稿 提交工具 投放合作

Timestral:多变量概率时序预测模型

NEW
其他 1.2k(+5) 103 Python 2026-11-21 在 GitHub 打开

时序基础模型家族的独立推理仓库,支持多变量概率预测与多类协变量,仅需 PyTorch 等依赖。

Timestral 是多变量概率时序预测的基础模型家族,本仓库提供其独立推理代码,仅依赖 PyTorch、NumPy、safetensors 与 huggingface_hub,可在 CPU 或 GPU 上运行。模型支持过去协变量与已知未来协变量(含类别型),每个时间步输出 21 个分位数,上下文最长 32,768 步,提供 5M、28M、123M、209M 四种规模,权重存放在 Hugging Face Hub。推理时 context 可为 (B, V, T)、(B, T) 或 (T,) 形状,NaN 表示缺失值;超过一个解码块(32 个 patch,即 1024 步)的预测长度按块逐段生成,每块的中位数会作为后续上下文反馈。架构为因果 patch 化 transformer,采用 Decoupled Horizon Forecasting 训练,协变量行只向目标传递信息而不读取目标,分位数头输出非交叉分位数,每个预测 patch 用上下文与该块先前预测中位数的统计量反归一化。README 称 Timestral-209M 在 GIFT-Eval、TIME、fev-bench 三个公开预测基准的预训练与零样本模型中排名第一,四个尺寸均位于精度与模型规模的 Pareto 前沿。代码采用 Apache 2.0 许可,模型权重另行以 Modified MIT 许可发布;仓库不接受 pull request,仅通过 issue 接受 bug 报告与提问。

Star 趋势2026-11-07 — 2026-11-20当前 Stars 1.2k24h +57 日 +44

1.1k1.2k11-0711-1111-1211-1311-1411-1511-1611-1711-1811-20