用大模型重编程时间序列，预测更准更通用
Time-LLM 是一个面向时间序列预测的开源模型，其核心思路是“重编程”大型语言模型（LLM），将时间序列数据转化为文本原型，从而利用 LLM 强大的模式识别和推理能力完成预测任务。它解决了传统时间序列模型在跨域泛化和复杂模式捕捉上的局限，无需修改 LLM 内部结构即可适配多种预测场景。项目提供了完整的官方实现，包括模型训练、评估和可视化工具，支持多变量预测、长短期预测等任务，并在多个公开数据集上验证了有效性。其核心能力在于将 LLM 的语义理解迁移到数值时序分析中，实现高精度预测。
⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。
1克隆项目仓库
从 GitHub 拉取 Time-LLM 官方实现代码到本地，README 未给出其他下载方式。
git clone https://github.com/KimMeen/Time-LLM.git2进入项目目录
切到克隆下来的目录，后续脚本均在此目录下执行。
cd Time-LLM3阅读脚本超参数
README 明确说明每个超参数的详细描述请参考 run_main.py、run_m4.py 和 run_pretrain.py，先读懂再运行。
4运行主程序
README 未给出具体运行命令，需按脚本内超参数说明自行填写参数后执行 run_main.py。
python run_main.pyREADME 未提供验证方式，需以运行 run_main.py 等脚本后的终端输出是否正常完成、无报错为准。
Q：每个超参数的含义在哪里看？
A：README 的 Detailed usage 一节说明：请参考 run_main.py、run_m4.py 和 run_pretrain.py，超参数描述都写在这些脚本里。
Q：有中文资料可以入门吗？
A：有。README 提供了机器之心、量子位、时序人、AI算法厨房的中文解读，以及知乎专栏文章链接。
Q：想先了解原理看什么？
A：可访问论文页 https://arxiv.org/abs/2310.01728，README 还提供两个 YouTube 讲解视频和 Medium 博客。
Q：怎么引用这个项目？
A：README 给出了 BibTeX 引用格式，条目名为 jin2023time，标题为 Time-LLM: Time series forecasting by reprogramming large language models。
PatchTST、Autoformer、Informer
Time-LLM 是模型训练领域的开源项目，由 KimMeen 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（2,697）位列前 30%，在模型训练分类中处于中上游。
近 42 天，它的 GitHub 星标从 2,677 增加到 2,697，净增 20。
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 2026-09-19。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：金融时序预测（如股票、汇率）。同类可对比的替代方案包括 PatchTST、Autoformer、Informer。
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)
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···
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!
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···