预测模型

NeuralForecast 目前提供以下模型。

模型1	自动模型2	家族3	单变量 / 多变量4	预测类型5	外生变量6
Autoformer	AutoAutoformer	Transformer	单变量	直接	F
BiTCN	AutoBiTCN	CNN	单变量	直接	F/H/S
DeepAR	AutoDeepAR	RNN	单变量	递归	F/S
DeepNPTS	AutoDeepNPTS	MLP	单变量	直接	F/H/S
DilatedRNN	AutoDilatedRNN	RNN	单变量	递归	F/H/S
FEDformer	AutoFEDformer	Transformer	单变量	直接	F
GRU	AutoGRU	RNN	单变量	递归	F/H/S
HINT	AutoHINT	任何7	两者7	两者7	F/H/S
Informer	AutoInformer	Transformer	多变量	直接	F
iTransformer	AutoiTransformer	Transformer	多变量	直接	-
KAN	AutoKAN	KAN	单变量	直接	F/H/S
LSTM	AutoLSTM	RNN	单变量	递归	F/H/S
MLP	AutoMLP	MLP	单变量	直接	F/H/S
MLPMultivariate	AutoMLPMultivariate	MLP	多变量	直接	F/H/S
NBEATS	AutoNBEATS	MLP	单变量	直接	-
NBEATSx	AutoNBEATSx	MLP	单变量	直接	F/H/S
NHITS	AutoNHITS	MLP	单变量	直接	F/H/S
NLinear	AutoNLinear	MLP	单变量	直接	-
PatchTST	AutoPatchTST	Transformer	单变量	直接	-
RMoK	AutoRMoK	KAN	多变量	直接	-
RNN	AutoRNN	RNN	单变量	递归	F/H/S
SOFTS	AutoSOFTS	MLP	多变量	直接	-
StemGNN	AutoStemGNN	GNN	多变量	直接	-
TCN	AutoTCN	CNN	单变量	递归	F/H/S
TFT	AutoTFT	Transformer	单变量	直接	F/H/S
TiDE	AutoTiDE	MLP	单变量	直接	F/H/S
TimeMixer	AutoTimeMixer	MLP	多变量	直接	-
TimeLLM	-	LLM	单变量	直接	-
TimesNet	AutoTimesNet	CNN	单变量	直接	F
TSMixer	AutoTSMixer	MLP	多变量	直接	-
TSMixerx	AutoTSMixerx	MLP	多变量	直接	F/H/S
VanillaTransformer	AutoVanillaTransformer	Transformer	单变量	直接	F

1. 模型：模型名称。
2. 自动模型：NeuralForecast 提供大部分模型的自动版本，在该版本中，基础模型的超参数会自动优化，并选择验证集上表现最佳的模型。优化方法包括网格搜索、随机搜索和贝叶斯优化。
3. 家族：支撑模型的主要神经网络架构。
4. 单变量 / 多变量：多变量模型明确建模数据集中多个时间序列之间的交互，并将同时提供多个时间序列的预测。相比之下，一个训练于多个时间序列的单变量模型隐式建模多个时间序列之间的交互，并同时提供单个时间序列的预测。多变量模型通常计算成本较高，并且在经验上不一定比使用单变量模型提供更好的预测性能。
5. 预测类型：直接预测模型是一种在一次性生成预测范围内所有步骤的模型。相反，递归预测模型预测一步，并随后使用该预测来计算预测范围内的下一步，依此类推。与递归预测模型相比，直接预测模型通常在偏差和方差传播方面的影响较小，而递归模型的计算成本可能较低。
6. 外生变量：模型是否接受外生变量。这些可以是包含过去和未来信息的外生变量（F），仅包含过去信息（历史，H），或包含静态信息（静态，S）。
7. HINT 是一个模块化框架，可以将任何类型的神经架构与任务专用的混合概率和先进的层次化调和策略相结合。

Give us a ⭐ on Github