lag-llama

用大模型做时间序列预测，零样本也能出结果

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署开源模型 🍴 复刻 203 🐛 待处理 66 👀 关注 36

GitHub ↗

GitHub 星标 ★ 1600

维护状态低维护

是否开源开源

定价模式 🏷️完全免费开源模型，Apache-2.0 许可证，可免费使用和部署。

项目预览

项目数据

分类开源模型

开发团队time-series-foundation-models

GitHubhttps://github.com/time-series-foundation-models/lag-llama

定价模式🏷️完全免费

价格说明开源模型，Apache-2.0 许可证，可免费使用和部署。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型forecasting,foundation-models,lag-llama,llama,time-series,time-series-forecasting,time-series-prediction,time-series-transformer,timeseries,timeseries-forecasting,transformers

GitHub 星标★ 1600

上线时间2024-02-07 00:00:00

代码更新2025-06-06

仓库体积265 KB

本站数据更新2026-11-10

维护状态低维护

收录时间2026-08-09

浏览次数5

项目介绍

Lag-Llama 是一个基于 LLaMA 架构的开源概率时间序列预测基础模型，由 Arjun Ashok 等人开发。它通过引入滞后特征（lag features）作为协变量，将时间序列数据转换为类似文本的 token 序列，从而利用大型语言模型的强大能力进行预测。该模型解决了传统时间序列预测模型难以处理多尺度、多周期模式以及缺乏泛化能力的问题。核心能力包括：支持单变量和多变量时间序列预测，提供概率预测（输出分布而非点估计），可处理不同频率的数据（如分钟、小时、天、周等），并支持零样本预测（无需针对特定数据集重新训练）。模型基于 PyTorch 实现，提供了预训练权重和微调接口，用户可通过 GluonTS 工具库轻松使用。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 1600

技术标签

forecasting foundation-models llama time-series time-series-forecasting

使用教程

⚠ 本教程由 AI 依据该项目 README 整理；原始文档不完整，部分步骤为通用流程推断，实际安装请以项目官方文档为准。

难度：进阶约 20 分钟部署方式：模型权重 4 步

⚠ 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

可用的 Python 环境（README 节选未给出具体版本要求）
可联网访问 Hugging Face，以下载 Lag-Llama 预训练权重
本地方案需具备可运行 PyTorch 的环境；也可直接使用 Google Colab

安装与启动步骤

1克隆项目仓库

从 GitHub 拉取 Lag-Llama 源码到本地，后续脚本和代码都在该目录中运行。
```
git clone https://github.com/time-series-foundation-models/lag-llama.git
```
2下载预训练权重

打开 Hugging Face 页面，获取 Lag-Llama 官方预训练权重文件，供本地推理或微调使用。
3跑零样本预测 Demo

README 提供的 Colab Demo 1，无需本地安装即可体验零样本概率预测，适合首次验证效果。
4跑微调 Demo

README 提供的 Colab Demo 2，演示在自有数据上进行初步微调的流程。