2025年最佳 52 款氣候模型工具

Chronos是基於語言模型架構的預訓練時間序列預測模型家族，通過量化和縮放將時間序列轉化為token序列進行訓練，適用於概率預測任務。

Chronos-Bolt是一系列基於T5架構的預訓練時間序列基礎模型，通過創新分塊編碼和直接多步預測實現高效時序預測

Chronos-Bolt是一系列預訓練的時間序列預測模型，支持零樣本預測，精度高且推理速度快。

Chronos-Bolt是一系列預訓練的時間序列預測模型，支持零樣本預測，基於T5編碼器-解碼器架構，訓練數據涵蓋近千億時間序列觀測點。

Chronos是基於語言模型架構的預訓練時間序列預測模型家族，通過將時間序列轉化為標記序列進行訓練，實現概率預測。

TinyTimeMixers（TTMs）是IBM Research開源的多變量時間序列預測緊湊型預訓練模型，參數不足100萬，在零樣本和少樣本預測任務中表現優異。

Chronos是基於語言模型架構的預訓練時間序列預測模型家族，通過量化和縮放將時間序列轉化為標記序列進行訓練。

Chronos-Bolt是一系列預訓練時間序列預測模型，支持零樣本預測，基於T5編碼器-解碼器架構，訓練數據涵蓋近千億時間序列觀測值。

這是一個預訓練的時間序列預測模型，專注於時序數據分析與預測任務。

Chronos-Bolt是一系列可用於零樣本預測的預訓練時間序列預測模型，基於T5編碼器-解碼器架構，在近1000億條時間序列觀測數據上訓練。

Chronos-Bolt是一系列預訓練時間序列預測模型，支持零樣本預測，基於T5編碼器-解碼器架構，訓練數據涵蓋近千億時間序列觀測點。

Chronos-Bolt是一系列預訓練時間序列預測模型，支持零樣本預測，基於T5編碼器-解碼器架構，訓練數據包含近1000億個時間序列觀測點。

Chronos是基於語言模型架構的預訓練時間序列預測模型家族，通過量化和縮放將時間序列轉換為token序列進行訓練。

TinyTimeMixers（TTMs）是由IBM Research開源的多變量時間序列預測緊湊型預訓練模型，參數從100萬起，首次提出時間序列預測領域的'微型'預訓練模型概念。

Chronos是基於語言模型架構的預訓練時間序列預測模型家族，通過量化和縮放將時間序列轉化為token序列進行訓練，支持概率預測。

一個基於PyTorch的時間序列預測預訓練模型，適用於多種時序數據分析任務

Moirai是基於掩碼編碼器的通用時間序列預測Transformer，在LOTSA數據集上預訓練的大型時間序列模型。

Chronos是基於語言模型架構的預訓練時間序列預測模型家族，通過量化和縮放將時間序列轉化為token序列進行訓練。

Chronos-Bolt是一系列預訓練時間序列預測模型，支持零樣本預測，基於T5編碼器-解碼器架構，訓練數據涵蓋近千億時間序列觀測點。

Chronos-T5是基於語言模型架構的預訓練時間序列預測模型，通過將時間序列轉換為標記序列並利用交叉熵損失訓練語言模型，實現概率預測。

Chronos是基於語言模型架構的預訓練時間序列預測模型家族，通過將時間序列轉換為token序列進行訓練，支持概率預測。

Chronos-T5是基於語言模型架構的預訓練時間序列預測模型，通過量化和縮放將時間序列轉化為標記序列進行訓練，適用於多種時間序列預測任務。

Moirai是基於掩碼編碼器的通用時間序列預測Transformer，在LOTSA數據集上預訓練的大型時間序列模型。

Moirai是基於掩碼編碼器的通用時間序列預測Transformer，在LOTSA數據集上預訓練的大型時序模型

Moirai-1.0-R模型的全新升級版本，在Monash知識庫的40個數據集上取得顯著進步，特別針對低頻數據場景優化。

Chronos是基於語言模型架構的預訓練時間序列預測模型家族，通過將時間序列轉化為token序列進行訓練，支持概率預測。

Moirai-1.1-R是Salesforce發佈的時間序列預測基礎模型，在低頻數據（如年數據和季度數據）上表現優異，相比前代模型性能提升約20%。

Moirai-1.1-R是Salesforce推出的時間序列預測基礎模型，針對低頻數據預測性能顯著提升。

TimeMoE-200M 是一個基於專家混合（Mixture of Experts, MoE）架構的十億級時間序列基礎模型，專注於時間序列預測任務。

基於amazon/chronos-bolt-base架構微調的時間序列預測模型，專門針對間歇性需求預測任務優化

Timer是一個8400萬參數的輕量級生成式Transformer模型，專為時間序列預測任務設計，支持零樣本點預測。

基於1.9億時間序列數據點微調的間歇性需求預測模型

基於專有數據集微調的時間序列預測模型，特別適用於間歇性需求預測場景。

PatchTST是一個預訓練的時間序列基礎模型，專注於時間序列預測任務。

PatchTSMixer 是 IBM Granite 項目下的一個時間序列預測基礎模型，採用創新的 Patch 混合架構，適用於多種時間序列預測任務。

這是一個基於Transformer架構的時間序列預測模型，在tourism-monthly數據集上進行了30輪訓練。

Google Research開發的預訓練時間序列基礎模型，專注於單變量時間序列預測

應龍是一款用於時間序列預測的基礎模型，預訓練於78B時間點，為時間序列預測任務提供強大支持。

輕量級快速多元時間序列預測模型，在ETTh1數據集上達到0.37的測試集MSE

PatchTST是一個基於Transformer的時間序列預測模型，專為長期時間序列預測設計，採用子序列塊和通道獨立性技術提升預測精度。

TinyTimeMixer (TTM) 是一個輕量級的時間序列預測基礎模型，專注於高效的時間序列分析任務。

基於amazon/chronos-bolt-small精調的時間序列預測模型，使用2500萬行專有數據訓練