ts-icl

零样本搞定时间序列预测与插补，无需重新训练。

TS-ICL 是一个基于时间索引的基础模型，专为时间序列预测和插补任务设计，通过上下文学习（In-Context Learning）机制，无需针对每个新数据集重新训练即可快速适应。该项目解决传统时间序列模型需要大量训练数据且泛化能力弱的问题，核心能力包括：利用时间索引编码捕捉时间动态，支持零样本预测和缺失值填充，并提供一个统一的预训练模型框架。其技术栈基于 Python，模型架构强调可扩展性和易用性，适合研究者和工程师在多种时间序列场景中快速部署。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 126

维护状态维护中

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队EDF-Lab

所属国家

官网地址https://edf-lab.github.io/ts-icl

GitHubhttps://github.com/EDF-Lab/ts-icl

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NOASSERTION

主要语言Python

技术栈/模型deep-learning,foundation-models,time-series-forecasting,time-series-imputation,times-series

GitHub 星标★ 126

30天Star增速

HF 下载量

上线时间2026-06-12 00:00:00

最近更新2026-09-17 00:00:00

维护状态维护中

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5

使用教程

核心亮点

基于时间索引的架构，能有效捕捉时间序列的长期依赖和周期性。
上下文学习机制，新任务无需微调即可直接应用，显著降低使用门槛。
同时支持预测和插补，一个模型解决两类常见问题。

不足之处

项目处于早期阶段（121星），文档和社区支持可能不完善。
模型在极端复杂或非平稳时间序列上的表现待验证。

适用场景

金融领域的股价或交易量预测与缺失数据补全。
物联网传感器数据的异常值填补和短期趋势预测。
能源负荷预测，如电力需求估计和缺失记录修复。

替代项目

TimesNet、PatchTST、Chronos

项目介绍

ts-icl 是模型训练领域的开源项目，由 EDF-Lab 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 126。

项目仍在小幅维护中，最近一次代码更新于 2026-09-17。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：金融领域的股价或交易量预测与缺失数据补全。同类可对比的替代方案包括 TimesNet、PatchTST、Chronos。

上一篇：mantis

下一篇：CausalPFN