Aurora

统一多模态时间序列预测，一个模型搞定数值文本图像

Aurora 是一个面向通用多模态时间序列预测的开源模型，由 ICLR 2026 论文提出。它旨在解决传统时间序列模型难以同时处理数值、文本、图像等多种模态数据的问题，通过统一的生成式框架实现跨模态的预测能力。其核心能力包括：支持多模态输入融合、基于生成式预训练提升预测精度、以及适应不同领域的时间序列任务。项目提供完整的训练和推理代码，便于研究者复现和扩展。

开源 free 开源模型
访问官网 ↗ GitHub ↗ 文档 ↗
GitHub 星标 ★ 79
维护状态 低维护
是否开源 是
定价模式 free

项目数据

分类开源模型
开发团队decisionintelligence
所属国家
官网地址
GitHubhttps://github.com/decisionintelligence/Aurora
定价模式free
价格说明开源模型，无在线服务，需自行部署，完全免费。
访问状态
是否开源是
开源协议
主要语言Python
技术栈/模型deep-learning,foundation-models,time-series
GitHub 星标★ 79
30天Star增速
HF 下载量
上线时间2026-01-27 00:00:00
最近更新2026-09-11 00:00:00
维护状态低维护
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4

使用教程

核心亮点

  • 提出通用生成式框架，可同时处理数值、文本、图像等多模态时间序列数据
  • 基于预训练策略，能有效利用跨领域数据提升预测性能
  • 论文发表于 ICLR 2026，方法经过学术评审，具备一定创新性

不足之处

  • 项目处于早期阶段，文档和社区支持尚不完善
  • 依赖特定多模态数据集，实际应用门槛可能较高

适用场景

  • 金融领域：融合新闻文本、市场数值和图表图像进行趋势预测
  • 能源管理：结合传感器数值、天气文本和卫星图像预测电力负荷
  • 医疗健康：整合生理信号、病历文本和医学影像进行病情发展预测

替代项目

Time-Series-Library、Autoformer、PatchTST

项目介绍

Aurora 是模型训练领域的开源项目，由 decisionintelligence 开发，是 2026 年新上线的项目。

它收录于模型训练分类，该分类目前共有 518 个项目，GitHub 星标数为 79。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-11。无在线服务，需自行部署，完全免费。

它主要面向的使用场景是：金融领域：融合新闻文本、市场数值和图表图像进行趋势预测。同类可对比的替代方案包括 Time-Series-Library、Autoformer、PatchTST。

上一篇：CoDA-NO

下一篇：hf_ehr

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