tabpfn-time-series

不训练，几行代码直接预测未来时间序列

tabpfn-time-series 是基于 TabPFN 的零样本时间序列预测工具，论文被 NeurIPS 2024 TRL 与 TSALM 两个 workshop 接收。它把时间序列预测问题转化为表格回归任务：将历史窗口切分成特征与目标列，直接调用 TabPFN 这个预训练的表格基础模型做推理，无需针对新序列训练或调参。核心能力包括零样本预测（开箱即用）、支持单变量与多变量序列、可处理不同预测长度，并提供与常见时序库兼容的接口。对缺少训练数据、算力有限或需要快速验证基线的场景，它省去了传统深度模型的数据准备与训练流程，几行代码即可得到预测结果，同时保留了 TabPFN 在小样本表格任务上的优势。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 456

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PriorLabs

所属国家

官网地址

GitHubhttps://github.com/PriorLabs/tabpfn-time-series

定价模式free

价格说明开源免费，基于TabPFN模型

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tabpfn,time-series-forecasting

GitHub 星标★ 456

30天Star增速

HF 下载量

上线时间2025-01-05 00:00:00

最近更新2026-09-18 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2026-09-20

浏览次数0

使用教程

核心亮点

零样本推理，无需在目标序列上训练或调参，开箱即用
把时序预测转成表格回归，复用 TabPFN 预训练权重，小样本表现好
论文被 NeurIPS 2024 两个 workshop 接收，方法有学术依据

不足之处

依赖 TabPFN 权重与推理开销，长序列或大数据集速度受限
项目星标约 456，属早期阶段，生态与文档完善度待观察

适用场景

快速搭建时间序列预测基线，对比传统与深度模型
数据量少、无法训练大模型的业务预测场景
教学或研究中演示零样本时序预测方法

替代项目

TimeGPT、Chronos、Lag-Llama

项目介绍

tabpfn-time-series 是一个开源模型领域的开源项目，官方简介：Zero-shot Time Series Forecasting with TabPFN (work accepted at NeurIPS 2024 TRL and TSALM workshops)。项目使用 Python 开发，在 GitHub 上获得 456 星标。

上一篇：Awesome-Chinese-Stable-Diffusion

下一篇：没有了！