chronos-forecasting

像用语言模型一样,零样本预测任意时间序列

Chronos是一个基于Transformer架构的预训练时间序列预测模型库,由Amazon Science团队开发。它解决了传统时间序列预测模型需要针对每个数据集单独训练、泛化能力差的问题。Chronos将时间序列数值通过缩放和量化转换为词元序列,借用语言建模的思路进行预训练,从而学习到跨数据集的通用时序模式。其核心能力包括:零样本预测(无需微调即可应用于新数据集)、支持点预测和概率预测、提供不同规模(小型、基础、大型)的预训练模型权重。该库基于PyTorch实现,提供简洁的Python API和命令行接口,用户只需几行代码即可完成预测任务。Chronos在多个公开基准上表现优异,尤其擅长处理具有趋势、季节性和不规则成分的复杂时间序列,为缺乏深度学习资源的小团队提供了开箱即用的高质量预测工具。

开源 free 开源模型
访问官网 ↗ GitHub ↗ 文档 ↗
GitHub 星标 ★ 5895
维护状态 活跃
是否开源 是
定价模式 free

项目数据

分类开源模型
开发团队amazon-science
所属国家
官网地址
定价模式free
价格说明开源模型,Apache-2.0许可证,可免费使用和部署。
访问状态
是否开源是
开源协议Apache-2.0
主要语言Python
技术栈/模型artificial-intelligence,forecasting,foundation-models,huggingface,huggingface-transformers,large-language-models,llm,machine-learning,pretrained-models,time-series,time-series-forecasting,timeseries,transformers
GitHub 星标★ 5895
30天Star增速
HF 下载量
上线时间2024-02-23 00:00:00
最近更新2026-09-22 00:00:00
维护状态活跃
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-09
浏览次数2

使用教程

难度:入门 约 10 分钟 部署方式:库/依赖 5 步

环境要求

  • 已安装 Python 环境(README 未指定具体版本)
  • 可用的 pip 包管理工具
  • 首次加载模型需要联网访问 Hugging Face 下载权重(模型仓库为 amazon/chronos-2)
  • 如选择生产部署,需要可用的 AWS 账号

安装与启动步骤

  1. 1准备 Python 环境

    确认本机已安装 Python 与 pip。README 未指定最低版本,建议使用较新的 Python 3 环境并配置好虚拟环境。

    python -V
  2. 2安装 chronos 包

    README 给出的唯一本地安装方式,通过 pip 从 PyPI 安装 chronos-forecasting 包。

    pip install chronos-forecasting
  3. 3运行快速上手示例

    README 提供了 Chronos-2 快速上手 notebook,演示零样本单变量、多变量及带协变量的预测任务。

  4. 4生产部署(推荐方式)

    README 推荐生产环境将 Chronos-2 部署到 AWS,使用 AutoGluon-Cloud 高层 Python API,输入 Pandas DataFrame、输出预测结果。

  5. 5生产部署(JumpStart)

    另一种方式是通过 Amazon SageMaker JumpStart 部署,可在 CPU 或 GPU 上创建实时推理端点并接入现有 AWS 工作流。

关键配置

配置项必填说明示例
模型 ID否从 Hugging Face 加载的预训练模型仓库标识amazon/chronos-2

如何确认成功

执行 pip show chronos-forecasting 能显示包版本信息,说明安装成功;随后运行随包提供的 notebook 应能正常输出预测结果。

常见问题

Q:这个库需要自己训练模型吗?

A:不需要。Chronos 是预训练模型,支持零样本预测,无需微调即可直接应用到新的时间序列数据集上。

Q:支持概率预测吗?

A:支持。README 提到模型可同时提供点预测和概率预测,具体用法请参考官方示例 notebook。

Q:本地安装后怎么做推理?

A:README 的 Usage 部分只给出 pip 安装命令,实际推理代码请参考仓库 notebooks 目录下的示例,如 chronos-2-quickstart.ipynb。

Q:生产环境应该怎么部署?

A:推荐部署到 AWS:一是 AutoGluon-Cloud 高层 API,二是 Amazon SageMaker JumpStart 实时端点,两者官方均有教程。

注意事项

  • README 的 Usage 部分仅提供 pip 安装命令,未给出本地推理代码,务必以仓库 notebooks 中的示例为准。
  • Chronos-2 发布于 2025 年 10 月,支持单变量、多变量和协变量预测,旧版本模型(如 Chronos-Bolt)行为可能不同。
  • 模型权重托管在 Hugging Face,首次加载需要联网下载,请保证网络可达。
  • 生产部署涉及 AWS 资源会产生费用,请按官方教程和账号配额谨慎操作。

核心亮点

  • 零样本预测能力:无需针对新数据集重新训练,直接使用预训练权重即可获得不错效果,极大降低使用门槛
  • 多规模模型可选:提供small/base/large三种预训练模型,用户可根据精度和资源需求灵活选择
  • API简洁易用:几行Python代码即可完成预测,同时支持CLI和训练自定义模型,适合快速集成

不足之处

  • 模型较大,推理速度较慢,不适合低延迟或边缘部署场景
  • 文档/社区待观察:项目较新,中文资料和第三方教程较少,依赖英文文档

适用场景

  • 业务指标预测:电商销量、库存需求、网站流量等短期预测
  • 运维监控:服务器CPU、内存等时序指标的异常预测与容量规划
  • 金融与能源:股票价格趋势、电力负荷等中短期预测

替代项目

N-BEATS、N-HiTS、Darts

项目介绍

chronos-forecasting 是模型训练领域的开源项目,由 amazon-science 开发,2024 年首次发布。

在全站 13,090 个收录项目中,它的 GitHub 星标数(5,895)位列前 8%,在模型训练分类的 522 个项目里位列前 8%。

近 41 天,它的 GitHub 星标从 5,700 增加到 5,895,净增 195。

项目目前处于活跃维护状态,最近一次代码更新于 2026-09-22。Apache-2.0许可证,可免费使用和部署。

它主要面向的使用场景是:业务指标预测:电商销量、库存需求、网站流量等短期预测。同类可对比的替代方案包括 N-BEATS、N-HiTS、Darts。

上一篇:VLM-R1

下一篇:alignment-handbook

同类项目推荐

Long-RL 开源

让强化学习轻松驾驭超长序列,训练更稳更快

Long-RL: Scaling RL to Long Sequences (NeurIPS 2025)

★ 729 2026-08-09
TPA 开源

把注意力复杂度从平方降到线性,长序列不再卡顿

[NeurIPS 2025 Spotlight] TPA: Tensor ProducT ATTenTion Transformer (https://arxiv.or···

★ 463 2026-08-09
minimind 开源

两小时造出你的小模型,练手入门不求人

Train a 64M-parameter LLM from scratch in just 2h!

★ 62178 2026-08-09
pruna 开源

一键优化 AI 模型,推理提速又省资源。

Pruna is a model optimization framework built for developers, enabling you to delive···

★ 1286 2026-08-13