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。

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。

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。

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。

Sulie开源项目 – 时间序列预测的基础模型访问

Sulie 提供对基础模型的访问，专注于时间序列预测，支持零样本预测和自动微调，旨在提升预测准确性并简化模型管理。

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。

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。

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。

Time-LLM开源项目 – 利用大型语言模型进行时间序列预测

Time-LLM 是一个通过重新编程大型语言模型来进行时间序列预测的项目，能够高效处理和预测各种时序数据。

Position: Bayesian Deep Learning is Needed in the Age of Large-Scale AI论文 – 主张贝叶斯深度学习在现代AI中的必要性

该项目是一篇立场论文，由Theodore Papamarkou等25位学者联合发表，强调贝叶斯深度学习（BDL）在大型AI时代的关键作用。论文指出，尽管传统深度学习在大型监督任务中表现优异，但忽视了不确定性量化、主动学习及多样化数据处理等核心问题。BDL通过为深度学习模型提供概率框架，能够有效解决这些问题，尤其适用于小数据集和科学数据等复杂场景。论文在2024年国际机器学习会议（ICML）上发表，并呼吁学术界更广泛地采用贝叶斯方法。

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。