Large-Time-Series-Model

⚠ 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。

环境要求

• Python 环境（README 示例使用 torch 与 transformers，需自行安装）
• HuggingFace transformers 库（示例中从 transformers 导入 AutoModelForCausalLM）
• 可访问 HuggingFace 以下载预训练权重（如 thuml/timer-base-84m）
• 零样本预测无需训练、无需 GPU；若要预训练/微调则建议使用 GPU

安装与启动步骤

1. 1准备 Python 环境

   准备可用的 Python 环境并确保能联网访问 HuggingFace 下载权重；README 明确说明零样本预测无需训练也无需 GPU。

2. 2安装依赖库

   README 未给出安装命令，但示例代码导入了 torch 与 transformers，因此需要安装这两个库（属推断，请以官方仓库为准）。

   pip install torch transformers

   复制

3. 3导入所需模块

   按 README 的 Quick Start 示例，先导入 torch 与 transformers 中的 AutoModelForCausalLM，这是加载模型的前提。

   import torch
   from transformers import AutoModelForCausalLM

   复制

4. 4加载预训练权重

   README 提供已完成预训练的模型可从 HuggingFace 加载，例如 thuml/timer-base-84m；具体加载代码见官方 quickstart notebook。

5. 5运行零样本预测示例

   打开 examples/quickstart_zero_shot.ipynb（Timer-XL 零样本预测）或 examples/quickstart_zero_shot_generation.ipynb（Sundial）照着运行。

6. 6按 TSLib 风格加载数据

   README 说明可从 HuggingFace 获取数据，并以 Time-Series-Library（TSLib）的风格加载数据用于预测任务。

关键配置

如何确认成功

能成功导入 torch 与 transformers，并从 HuggingFace 加载 thuml/timer-base-84m 权重且不报错。

常见问题

注意事项

• README 节选中未提供正式的安装命令，本教程中的依赖安装由示例代码的 import 推断，请以官方仓库最新说明为准。
• 预训练权重需联网从 HuggingFace 下载，网络受限时可能加载失败。
• README 还提到 Sundial（ICML 2025 Oral）等后续工作，可参考 examples 下的 quickstart notebook。