conformal-time-series开源项目 – 时间序列预测的置信区间生成工具

Conformal-time-series 是一个专门为时间序列数据设计的工具，它结合了保形预测（conformal prediction）技术和PID控制方法，用于生成时间序列预测的置信区间。该项目不仅提供了对时间序列预测模型的不确定性量化支持，还能与现有的时间序列预测流程无缝集成，适用于多种时间序列预测模型。

conformal-time-series的特点:

1. 生成时间序列数据的预测区间
2. 实现保形预测技术
3. 支持PID控制用于时间序列应用
4. 提供鲁棒的不确定性量化
5. 适用于多种时间序列预测模型

conformal-time-series的功能:

1. 用于生成时间序列预测的置信区间
2. 在PID控制系统中应用于时间序列预测
3. 用于时间序列模型的不确定性量化
4. 与现有的时间序列预测流程集成
5. 通过调整保形预测参数优化结果

相关导航

tsai开源项目 – 深度学习时序处理库

tsai是一个基于Pytorch和fastai的深度学习库，专注于时间序列和序列数据的处理。它提供了多种先进的深度学习模型和预训练工具，支持时间序列分类、回归、预测等任务。tsai易于集成和使用，适合快速实验和模型调优，是处理时间序列数据的理想选择。

Timer: Generative Pre-trained Transformers Are Large Time Series Models开源项目 – 大型生成预训练变换器用于时间序列数据

该模型探讨了使用大型生成预训练变换器处理时间序列数据的可能性，旨在提升时间序列分析和预测的准确性。

Chronos开源项目 – 基于语言模型的时间序列预测

Chronos是一个基于语言模型架构的概率时间序列预测预训练模型，能够将时间序列数据转化为Token序列，并通过交叉熵损失训练语言模型，从而实现多轨迹采样以获得概率预测分布。

Time-LLM开源项目 – 通用时间序列预测的重新编程框架

Time-LLM 是一个重新编程框架，用于将大型语言模型（LLMs）重新用于通用的时间序列预测，同时保持其骨干语言模型的完整性。

NeuroBayes Neural Network Package官网 – 贝叶斯神经网络工具

NeuroBayes 是一个基于贝叶斯统计的神经网络包，旨在为机器学习中的复杂问题提供强大的解决方案。它结合了神经网络的灵活性与贝叶斯方法的严谨不确定性量化，特别适合需要高精度预测的场景。最初主要用于物理学分析，如 DELPHI 和 CDF 合作中的数据处理，后来扩展到工业应用，涵盖金融、医疗等多个领域。

sktime开源项目 – 用于时间序列分析的Python库

sktime 是 Python 中用于时间序列分析的库。它为多个时间序列学习任务提供了一个统一的界面，包括时间序列分类、回归、聚类、注释和预测。

online_conformal开源项目 – 在线保角预测算法库

online_conformal 是一个在线保角预测算法库，实现了多种算法，能够对随时间任意分布变化的数据进行保角预测。该库特别适用于在线学习和预测场景，提供灵活的算法配置选项，帮助用户在动态数据环境中进行不确定性量化。

Conformalized Graph Neural Networks开源项目 – 图形的不确定性量化

Conformalized Graph Neural Networks项目旨在通过图形的符合预测技术进行不确定性量化，适用于图形数据分析和机器学习任务的改进。

Local Augmentation for Graph Neural Networks – 风险管理的新方法

一种利用符合预测技术进行风险管理的方法论。

lightning-uq-box开源项目 – 提供不确定性量化的PyTorch库

lightning-uq-box是一个基于PyTorch和Lightning的库，旨在为现代神经网络提供多种不确定性量化(UQ)技术，支持灵活的模型训练和评估，并与现有的PyTorch项目无缝集成。

TorchCP开源项目 – 深度学习保形预测工具箱

TorchCP是一个基于PyTorch的Python工具箱，旨在支持深度学习模型的保形预测研究，提供多种分类和回归方法。

MOMENT开源项目 – 开源时间序列基础模型家族

MOMENT是一个开源时间序列基础模型的家族，旨在支持各种时间序列任务，具有模块化架构，便于定制和扩展。

xLSTM-7B开源项目 – 扩展LSTM模型，高效推理

xLSTM-7B是一种扩展的LSTM模型架构，通过引入Exponential Gating和Matrix Memory等技术，克服了传统LSTM的局限性。相较于Transformer架构，xLSTM-7B在推理速度和参数效率方面表现出显著优势，适用于多种序列数据处理任务。

Time Series Library (TSLib)开源项目 – 深度学习时序分析开源库

TSLib 是一个专为深度学习研究者设计的时序分析开源库，支持长短期预测、数据补全、异常检测和分类等任务。它提供了多种先进的深度学习模型，并鼓励研究者通过排行榜功能提交和比较新模型。TSLib 提供了一个简洁的代码库，用于评估先进的深度时序模型或开发新模型，涵盖了五个主流任务：长短期预测、数据补全、异常检测和分类。此外，TSLib 还包含了最新的时序模型，如 TimeXer、Mamba 等，并提供了详细的教程和排行榜功能，帮助研究者快速上手和比较模型性能。

LazyProphet开源项目 – 简化时间序列预测的库

LazyProphet 是一个基于 LightGBM 的时间序列预测库，旨在简化和增强时间序列预测的过程。它通过最小化配置要求，使得时间序列建模变得更加容易，同时支持处理缺失数据和异常值。LazyProphet 提供了易于使用的接口，用于快速模型训练和预测，并且针对大数据集进行了性能优化。