拓冰网站优化 
终极TiRex-1.1-gifteval用户手册从数据准备到高级参数调优的全流程教程【免费下载链接】TiRex-1.1-gifteval项目地址: https://ai.gitcode.com/hf_mirrors/NX-AI/TiRex-1.1-giftevalTiRex-1.1-gifteval是一款基于xLSTM架构的时间序列基础模型专为时间序列预测设计能够提供长短周期的最先进预测结果。作为35M参数的轻量级模型它支持零样本预测和分位数估计无需训练即可直接用于各类时间序列数据预测任务。 为什么选择TiRex-1.1-gifteval核心优势一览零样本预测无需训练数据下载即可使用分位数估计不仅提供点预测还支持概率分布预测长短周期兼顾在GiftEval和ChronosZS等权威基准测试中表现领先轻量级架构35M参数设计兼顾预测性能与计算效率版本特性1.1-gifteval版本在1.0基础上引入了长周期归一化推理技术并清理了预训练数据集中与GIFT-Eval测试集重叠的部分进一步提升预测准确性。 快速开始环境准备TiRex目前仅支持Linux系统和计算能力≥8.0的Nvidia GPU推荐使用conda环境安装# 1. 克隆仓库 git clone https://gitcode.com/hf_mirrors/NX-AI/TiRex-1.1-gifteval # 2. 创建并激活conda环境 conda env create --file ./TiRex-1.1-gifteval/requirements_py26.yaml conda activate tirex # 3. 安装TiRex cd TiRex-1.1-gifteval pip install -e . # 4. 可选依赖安装 pip install .[gluonts] # 启用gluonTS数据接口 pip install .[hfdataset] # 启用HuggingFace数据集支持 pip install .[notebooks] # 运行示例 notebooks基础预测示例import torch from tirex import load_model, ForecastModel # 加载模型 model: ForecastModel load_model(NX-AI/TiRex-1.1-gifteval) # 准备输入数据 (5个时间序列每个长度128) data torch.rand((5, 128)) # 生成预测 (预测长度64使用频率重采样策略) forecast model.forecast( contextdata, prediction_length64, resample_strategyfrequency )扩展示例可参考GitHub仓库中的quick_start_tirex.ipynb 数据准备指南数据格式要求TiRex支持多种输入格式核心要求如下时间序列数据需为二维张量 (num_series, sequence_length)无需标准化模型内置归一化处理推荐序列长度128-1024个时间步支持的数据集autogluon/chronos_datasetsSalesforce/GiftEvalPretrain自定义合成数据⚙️ 高级参数调优预测参数详解prediction_length控制预测周期长度建议值16-256根据数据频率调整resample_strategy可选值frequency默认、uniform、adaptive高频数据推荐frequency低频数据推荐adaptivequantiles分位数预测设置默认返回[0.1, 0.5, 0.9]可自定义quantiles[0.05, 0.5, 0.95]性能优化技巧批量处理增加batch_size提升GPU利用率建议≤32序列长度长序列512使用resample_strategyadaptive设备选择优先使用CUDA设备推理速度提升10-50倍❓ 常见问题解决安装问题CUDA版本不兼容确保CUDA≥11.7依赖冲突使用提供的requirements_py26.yaml创建纯净环境预测问题结果波动尝试调整resample_strategy参数内存不足减小batch_size或序列长度更多问题请参考GitHub仓库FAQ 引用与致谢如果在研究中使用TiRex请引用以下论文article{auerTiRexZeroShotForecasting2025, title {{{TiRex}}: {{Zero-Shot Forecasting Across Long}} and {{Short Horizons}} with {{Enhanced In-Context Learning}}}, author {Auer, Andreas and Podest, Patrick and Klotz, Daniel and B{\o}ck, Sebastian and Klambauer, G{\u}nter and Hochreiter, Sepp}, journal {ArXiv}, volume {2505.23719}, year {2025} } 许可证信息TiRex采用NXAI社区许可证详细条款请查阅许可证文件。【免费下载链接】TiRex-1.1-gifteval项目地址: https://ai.gitcode.com/hf_mirrors/NX-AI/TiRex-1.1-gifteval创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 终极TiRex-1.1-gifteval用户手册：从数据准备到高级参数调优的全流程教程
终极TiRex-1.1-gifteval用户手册从数据准备到高级参数调优的全流程教程【免费下载链接】TiRex-1.1-gifteval项目地址: https://ai.gitcode.com/hf_mirrors/NX-AI/TiRex-1.1-giftevalTiRex-1.1-gifteval是一款基于xLSTM架构的时间序列基础模型专为时间序列预测设计能够提供长短周期的最先进预测结果。作为35M参数的轻量级模型它支持零样本预测和分位数估计无需训练即可直接用于各类时间序列数据预测任务。 为什么选择TiRex-1.1-gifteval核心优势一览零样本预测无需训练数据下载即可使用分位数估计不仅提供点预测还支持概率分布预测长短周期兼顾在GiftEval和ChronosZS等权威基准测试中表现领先轻量级架构35M参数设计兼顾预测性能与计算效率版本特性1.1-gifteval版本在1.0基础上引入了长周期归一化推理技术并清理了预训练数据集中与GIFT-Eval测试集重叠的部分进一步提升预测准确性。 快速开始环境准备TiRex目前仅支持Linux系统和计算能力≥8.0的Nvidia GPU推荐使用conda环境安装# 1. 克隆仓库 git clone https://gitcode.com/hf_mirrors/NX-AI/TiRex-1.1-gifteval # 2. 创建并激活conda环境 conda env create --file ./TiRex-1.1-gifteval/requirements_py26.yaml conda activate tirex # 3. 安装TiRex cd TiRex-1.1-gifteval pip install -e . # 4. 可选依赖安装 pip install .[gluonts] # 启用gluonTS数据接口 pip install .[hfdataset] # 启用HuggingFace数据集支持 pip install .[notebooks] # 运行示例 notebooks基础预测示例import torch from tirex import load_model, ForecastModel # 加载模型 model: ForecastModel load_model(NX-AI/TiRex-1.1-gifteval) # 准备输入数据 (5个时间序列每个长度128) data torch.rand((5, 128)) # 生成预测 (预测长度64使用频率重采样策略) forecast model.forecast( contextdata, prediction_length64, resample_strategyfrequency )扩展示例可参考GitHub仓库中的quick_start_tirex.ipynb 数据准备指南数据格式要求TiRex支持多种输入格式核心要求如下时间序列数据需为二维张量 (num_series, sequence_length)无需标准化模型内置归一化处理推荐序列长度128-1024个时间步支持的数据集autogluon/chronos_datasetsSalesforce/GiftEvalPretrain自定义合成数据⚙️ 高级参数调优预测参数详解prediction_length控制预测周期长度建议值16-256根据数据频率调整resample_strategy可选值frequency默认、uniform、adaptive高频数据推荐frequency低频数据推荐adaptivequantiles分位数预测设置默认返回[0.1, 0.5, 0.9]可自定义quantiles[0.05, 0.5, 0.95]性能优化技巧批量处理增加batch_size提升GPU利用率建议≤32序列长度长序列512使用resample_strategyadaptive设备选择优先使用CUDA设备推理速度提升10-50倍❓ 常见问题解决安装问题CUDA版本不兼容确保CUDA≥11.7依赖冲突使用提供的requirements_py26.yaml创建纯净环境预测问题结果波动尝试调整resample_strategy参数内存不足减小batch_size或序列长度更多问题请参考GitHub仓库FAQ 引用与致谢如果在研究中使用TiRex请引用以下论文article{auerTiRexZeroShotForecasting2025, title {{{TiRex}}: {{Zero-Shot Forecasting Across Long}} and {{Short Horizons}} with {{Enhanced In-Context Learning}}}, author {Auer, Andreas and Podest, Patrick and Klotz, Daniel and B{\o}ck, Sebastian and Klambauer, G{\u}nter and Hochreiter, Sepp}, journal {ArXiv}, volume {2505.23719}, year {2025} } 许可证信息TiRex采用NXAI社区许可证详细条款请查阅许可证文件。【免费下载链接】TiRex-1.1-gifteval项目地址: https://ai.gitcode.com/hf_mirrors/NX-AI/TiRex-1.1-gifteval创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考