用大模型做时间序列预测，零样本也能出结果
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。
⚠ 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 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.git2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。
能打开并顺利跑通 README 中的 Colab Demo，成功加载 Hugging Face 上的 Lag-Llama 权重并输出预测结果，即视为部署成功。
Q：必须本地安装才能用吗？
A：不必。README 直接提供了两个 Colab Demo（零样本预测、初步微调），点开即可在线运行，无需本地配置环境。
Q：预训练权重从哪里获取？
A：官方权重发布在 Hugging Face 的 time-series-foundation-models/Lag-Llama 仓库，README 首页已给出直达链接。
Q：有更详细的技术说明吗？
A：有。可参考论文 arXiv:2310.08278，以及官方发布的 15 分钟 YouTube 讲解视频。
Q：kv_cache 相关问题修复了吗？
A：README 更新记录显示，2024-06-27 已修复 kv_cache 实现中的关键问题并提升预测精度，建议拉取最新代码使用。
Chronos、TimesFM、PatchTST
lag-llama 是开源模型领域的开源项目，由 time-series-foundation-models 开发，2024 年首次发布。
在全站 13,109 个收录项目中，它的 GitHub 星标数（1,601）位列前 30%，在开源模型分类中处于中上游。
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 2026-09-15。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：零售销量预测，帮助库存管理。同类可对比的替代方案包括 Chronos、TimesFM、PatchTST。
上一篇：Emu
Machine-Learning
开源
跟着博客笔记，边看边跑机器学习代码
All content related to machine learning from my blog
awesome-claude-fable-5-prompt-va···
开源
一站式掌握 Claude Fable 5 玩法，快速选型不踩坑
Ultimate Claude Fable 5 Guide 2026: Use Cases, Integrations & Benchmarks
awesome-ltx2
开源
找齐 LTX-2 模型、工作流和 LoRA，一键上手视频生成。
All available LTX-2 models, encoders, workflows, LoRAs for ComfyUI
Diffusion-Models-Papers-Survey-T···
开源
学视频生成怕绕路？这份资料库帮你理清
Diffusion model papers, survey, and taxonomy