2025年最佳的 52 个气候模型工具

Chronos是基于语言模型架构的预训练时间序列预测模型家族，通过量化和缩放将时间序列转化为token序列进行训练，适用于概率预测任务。

Chronos-Bolt是一系列基于T5架构的预训练时间序列基础模型，通过创新分块编码和直接多步预测实现高效时序预测

Chronos-Bolt是一系列预训练的时间序列预测模型，支持零样本预测，精度高且推理速度快。

Chronos-Bolt是一系列预训练的时间序列预测模型，支持零样本预测，基于T5编码器-解码器架构，训练数据涵盖近千亿时间序列观测点。

Chronos是基于语言模型架构的预训练时间序列预测模型家族，通过将时间序列转化为标记序列进行训练，实现概率预测。

TinyTimeMixers（TTMs）是IBM Research开源的多变量时间序列预测紧凑型预训练模型，参数不足100万，在零样本和少样本预测任务中表现优异。

Chronos是基于语言模型架构的预训练时间序列预测模型家族，通过量化和缩放将时间序列转化为标记序列进行训练。

Chronos-Bolt是一系列预训练时间序列预测模型，支持零样本预测，基于T5编码器-解码器架构，训练数据涵盖近千亿时间序列观测值。

这是一个预训练的时间序列预测模型，专注于时序数据分析与预测任务。

Chronos-Bolt是一系列可用于零样本预测的预训练时间序列预测模型，基于T5编码器-解码器架构，在近1000亿条时间序列观测数据上训练。

Chronos-Bolt是一系列预训练时间序列预测模型，支持零样本预测，基于T5编码器-解码器架构，训练数据涵盖近千亿时间序列观测点。

Chronos-Bolt是一系列预训练时间序列预测模型，支持零样本预测，基于T5编码器-解码器架构，训练数据包含近1000亿个时间序列观测点。

Chronos是基于语言模型架构的预训练时间序列预测模型家族，通过量化和缩放将时间序列转换为token序列进行训练。

TinyTimeMixers（TTMs）是由IBM Research开源的多变量时间序列预测紧凑型预训练模型，参数从100万起，首次提出时间序列预测领域的'微型'预训练模型概念。

Chronos是基于语言模型架构的预训练时间序列预测模型家族，通过量化和缩放将时间序列转化为token序列进行训练，支持概率预测。

一个基于PyTorch的时间序列预测预训练模型，适用于多种时序数据分析任务

Moirai是基于掩码编码器的通用时间序列预测Transformer，在LOTSA数据集上预训练的大型时间序列模型。

Chronos是基于语言模型架构的预训练时间序列预测模型家族，通过量化和缩放将时间序列转化为token序列进行训练。

Chronos-Bolt是一系列预训练时间序列预测模型，支持零样本预测，基于T5编码器-解码器架构，训练数据涵盖近千亿时间序列观测点。

Chronos-T5是基于语言模型架构的预训练时间序列预测模型，通过将时间序列转换为标记序列并利用交叉熵损失训练语言模型，实现概率预测。

Chronos是基于语言模型架构的预训练时间序列预测模型家族，通过将时间序列转换为token序列进行训练，支持概率预测。

Chronos-T5是基于语言模型架构的预训练时间序列预测模型，通过量化和缩放将时间序列转化为标记序列进行训练，适用于多种时间序列预测任务。

Moirai是基于掩码编码器的通用时间序列预测Transformer，在LOTSA数据集上预训练的大型时间序列模型。

Moirai是基于掩码编码器的通用时间序列预测Transformer，在LOTSA数据集上预训练的大型时序模型

Moirai-1.0-R模型的全新升级版本，在Monash知识库的40个数据集上取得显著进步，特别针对低频数据场景优化。

Chronos是基于语言模型架构的预训练时间序列预测模型家族，通过将时间序列转化为token序列进行训练，支持概率预测。

Moirai-1.1-R是Salesforce发布的时间序列预测基础模型，在低频数据（如年数据和季度数据）上表现优异，相比前代模型性能提升约20%。

Moirai-1.1-R是Salesforce推出的时间序列预测基础模型，针对低频数据预测性能显著提升。

TimeMoE-200M 是一个基于专家混合（Mixture of Experts, MoE）架构的十亿级时间序列基础模型，专注于时间序列预测任务。

基于amazon/chronos-bolt-base架构微调的时间序列预测模型，专门针对间歇性需求预测任务优化

Timer是一个8400万参数的轻量级生成式Transformer模型，专为时间序列预测任务设计，支持零样本点预测。

基于1.9亿时间序列数据点微调的间歇性需求预测模型

基于专有数据集微调的时间序列预测模型，特别适用于间歇性需求预测场景。

PatchTST是一个预训练的时间序列基础模型，专注于时间序列预测任务。

PatchTSMixer 是 IBM Granite 项目下的一个时间序列预测基础模型，采用创新的 Patch 混合架构，适用于多种时间序列预测任务。

这是一个基于Transformer架构的时间序列预测模型，在tourism-monthly数据集上进行了30轮训练。

Google Research开发的预训练时间序列基础模型，专注于单变量时间序列预测

应龙是一款用于时间序列预测的基础模型，预训练于78B时间点，为时间序列预测任务提供强大支持。

轻量级快速多元时间序列预测模型，在ETTh1数据集上达到0.37的测试集MSE

PatchTST是一个基于Transformer的时间序列预测模型，专为长期时间序列预测设计，采用子序列块和通道独立性技术提升预测精度。

TinyTimeMixer (TTM) 是一个轻量级的时间序列预测基础模型，专注于高效的时间序列分析任务。

基于amazon/chronos-bolt-small精调的时间序列预测模型，使用2500万行专有数据训练