ARMA • GHTBLM • STM • Informer 等时间序列模型实现与对比 A curated collection of classic & modern time‑series forecasting models.
ForeSight 旨在把常见 统计学方法、机器学习模型 和 深度学习 Transformer 系列 的时间序列预测实现集中于一个仓库，便于快速上手、横向对比与二次开发。每类模型都提供：
- 理论笔记 / Paper 速览
- Jupyter Notebook 演示
- 可复现实验脚本
- 数据与指标
| 路径 | 说明 | 典型内容 |
|---|---|---|
data/ |
数据与预处理 | prophet 示例数据集等 |
statistics time series/ |
经典统计模型 | ARMA, VAR, SARIMA… |
ml time series/ |
机器学习方法 | LightGBM, XGBoost, RandomForest… |
transformer time series/ |
深度学习 / Transformer | Informer, FEDformer, Autoformer, GPT‑TS… |
paper/ |
阅读笔记 & 资料 | 数据集介绍、论文摘要 |
README.md |
项目说明 | —— |
# 1. 克隆仓库
git clone https://github.com/jhlucc/ForeSight.git
cd ForeSight
# 2. 创建 Python 环境
python -m venv .venv
source .venv/bin/activate
# 3. 安装依赖
pip install -r requirements.txt
# 若未提供 requirements.txt，可手动安装常用库：
# pip install numpy pandas scikit-learn matplotlib statsmodels torch pytorch-lightning
# 4. 运行示例（以 Informer 为例）
jupyter lab # 打开 Notebook
# 或
python "transformer time series/run_informer.py" --cfg configs/informer.yaml- 电力负荷：
ElectricityLoadDiagrams - 交通流量：
PEMS‑Bay/PEMS‑D7 - 气象数据：
Weather、ETTh1/ETTm1 - 金融行情：自采股票 / 加密货币 K 线
下载脚本与预处理说明见 data/ 及子目录。
- 回归：MAE · RMSE · MAPE · sMAPE
- 概率预测：CRPS · Pinball Loss
- 异常检测：Precision · Recall · F1
实验结果示例请见各 Notebook 末尾或 results/。
| 类别 | 名称（部分） |
|---|---|
| 统计 | ARMA · ARIMA · SARIMA · VAR · GARCH |
| ML | LGBM · XGBoost · CatBoost · SVR · RandomForest |
| DL | LSTM · Seq2Seq · TCN · N‑Beats |
| Transformer | Informer · FEDformer · Autoformer · ETSformer · Non‑stationary Transformer |
| 其它 | Prophet · NeuralProphet · GHTBLM · STM |
- 增加 时序分类 / 异常检测 任务
- 引入 多变量多步长 统一评测框架
- 提供 Docker 镜像与 CLI 工具
欢迎 Issue / PR！
- Fork → 新建分支 → 提交 PR
- 代码需通过
flake8/black检查并附单元测试 - 提交前请确保 Notebook 能自顶向下顺利运行
- Box G., Jenkins G. Time Series Analysis: Forecasting and Control
- Haoyi Zhou et al. Informer: Beyond Efficient Transformer for Long Sequence Time‑Series Forecasting (AAAI 2021)
- Tianqi Zhu et al. FEDformer: Frequency Enhanced Decomposed Transformer for Long‑term Series Forecasting (ICLR 2022)
- 更多文献见
paper/
本项目采用 GPL‑3.0 许可证。详见 LICENSE。
- Author: @jhlucc
觉得有用就 Star ✨，欢迎交流合作！