Skip to content
/ Predenergy Public

The repository of the large model Predenergy for time series prediction (based on paddlepaddle)

2 stars 0 forks Branches Tags Activity
Star
Notifications You must be signed in to change notification settings

RXKbill/Predenergy

BranchesTags

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

15 Commits
Eval
Eval
 
 
common
common
 
 
configs
configs
 
 
dataset
dataset
 
 
models
models
 
 
scripts
scripts
 
 
src
src
 
 
tests
tests
 
 
utils
utils
 
 
.gitignore
.gitignore
 
 
README-en.md
README-en.md
 
 
README.md
README.md
 
 
main.ipynb
main.ipynb
 
 
requirements.txt
requirements.txt
 
 

Repository files navigation

【驭能】基于双模态特征聚合的多领域能源预测系统

PaddlePaddle PaddleNLP Python

在全球积极推动可持续发展的大背景下，我国积极推动能源转型战略方针，风光发电所代表的可再生能源产业蓬勃发展，新能源发电市场规模正以创纪录的速度逐年增长。然而与此同时，新能源发电受不可控因素影响大，发电量不稳定、波动性强、难预测等问题也日益凸显，建立针对未来能源供需形势监测和预警机制的必要性日益增加。新能源供给与交易预测建设亟需科学化、智能化变革。目前，在新能源时序数据预测领域主要有以下痛点问题：数据样本量少、质量参差不齐，预测精确度低；传统模型不具备少样本学习能力、二次开发难度大；数据采集范围受限、精确度和覆盖度低等。亟需一个高精度、高效率、智能化的能源场景时序预测系统。

针对上述预测的相关痛点问题，系统创新性地提出了 Predenergy 能源场景时序预测大模型。团队为该模型独创性地设计了时空双模态特征处理模块 STDM、混合能源时序专家模块 MoTSE、基于 PaddleNLP 的 Decoder 特征解码模块和多源数据持续整合方案，从整体架构上提升了对时序数据的特征分析和建模能力。同时，我们通过搜集整理构建通用领域大规模时序数据集 ETSD 完成了对模型的训练，并在应用层面设计实现能源决策智能体 Eneragent 以提升用户使用体验。

与此同时，团队通过自研无人机平台，以完成对数据的采集和日常巡检工作。具体来说，在无人机的设计上，我们从硬件层面进行了创新性研发，突破传统无人机平台限制，自主研发飞控主板，独立实现一体化数据采集模块。同时我们设计实现了自主运动规划算法和太阳能板隐患识别算法，显著提高了无人机实际落地实用能力。

🔗 一、核心模块快速索引

提示：由于篇幅受限，本文后续仅对各模块做简要说明，各部分的详细设计与实现请读者参考源码和相关文档介绍。

模型使用体验直达：https://api-5er8s3a6h7r6m3de.aistudio-app.com/app-inference-demo.html

项目网页部署地址：https://api-5er8s3a6h7r6m3de.aistudio-app.com/app-index.html

项目完整介绍文档：https://pcnja0wzx8ci.feishu.cn/wiki/NObnwuIlpiVpTvkGwgJcg8Jfnfb

Predenergy 时序预测大模型

ETSD 通用领域大规模时序预测数据集

无人机

Web & App 应用

📘 二、模型使用指南

模型使用体验直达：https://api-5er8s3a6h7r6m3de.aistudio-app.com/app-inference-demo.html

Attention：为保证团队合作企业的数据隐私，部署到AIstdio服务的网站内容除“推理示例”板块外均为静态前端页面，未接入到后端；“推理示例”可正常使用，用于读者检验模型效果，以下为使用指南。

🗂️ 第一步：选择用于预测的文件。

第一步

🔎 第二步：查看文件数据表相关内容，确认数据正确。

第二步

🎯 第三步：选择需要预测的目标变量

第三步1

第三步2

📈 第四步：输入历史数据位置与预测长度，查看预测结果

第四步1

第四步2

❓Q&A

Q1: 第一步遇到问题，示例数据加载失败？

A1: 服务器问题或数据集过大，刷新页面或等待一会儿，多试几次就好了

Q2: 第一步选择到示例数据后网页没有动静，“下一步”依旧是未激活状态？

A2: 服务器问题或数据集过大，推荐多等待一会儿

Q3：页面多次跳到第二步？

A3：操作频繁，有可能连续多次选择到不同变量；服务器反应比较缓慢，在网页没有响应时，please耐心等待

Q4: 第四步点击开始预测，提示没有选择目标变量？

A4：操作频繁导致系统读取变量错误，需回到第三步重新选择变量后，重新进入第四步

🏗️三、模型开发指南

📁 1. Predenergy 项目结构说明

/
├─ models/
│  └─ Predenergy/
│     ├─ datasets/             # 数据集与数据加载器（窗口化、通用加载、评估集等）
│     ├─ layers/               # 模型层与注意力模块（STDM、MoTSE、Decoder等）
│     ├─ models/               # Predenergy 主模型、配置与生成逻辑
│     ├─ trainer/              # 训练器与训练参数封装
│     ├─ utils/                # 评估指标、可视化、基准测试、工具函数
│     └─ Predenergy.py         # 高级API封装（训练/预测入口）
├─ src/
│  ├─ api_predenergy.py        # FastAPI 服务入口
│  └─ webui.py                 # Gradio Web UI 入口
├─ scripts/                    # 训练、推理、评估脚本示例
├─ tests/                      # 单元测试与集成测试
├─ configs/                    # 配置示例（YAML）
├─ Web/                        # 前端静态页面部署
└─ requirements.txt            # 依赖列表

🧩 2. Predenergy 模型架构设计

whiteboard exported image (2)

🔌 3. 项目关键实现路径信息

  • 模型入口：models/Predenergy/models/predenergy_model.py
  • 统一配置：models/Predenergy/models/unified_config.py
  • 数据加载：models/Predenergy/datasets/Predenergy_data_loader.py
  • 评估与基准：models/Predenergy/utils/enhanced_metrics.py、models/Predenergy/utils/benchmarking.py
  • API 服务：src/api_predenergy.py
  • Web UI：src/webui.py
  • 测试：tests/test_predenergy_model.py

📦 4. 安装

系统推荐要求

  • Python 3.10+
  • PaddlePaddle 3.0.0+
  • PaddleNLP 3.0.0+
  • CUDA 11.7+
  • 建议使用 8GB+ 的 GPU 内存
git clone https://github.com/RXKbill/Predenergy.git
cd Predenergy

%pip install -r requirements.txt

python tests/test_predenergy_model.py

🗂️ 5. 数据输入格式说明

1) CSV 文件
date,value,feature1,feature2
2023-01-01 00:00:00,100.5,1.2,0.8
2023-01-01 01:00:00,98.2,1.1,0.9
2023-01-01 02:00:00,102.1,1.3,0.7
...
2) Pandas DataFrame
import pandas as pd
import numpy as np

# 单变量时间序列
data = pd.DataFrame({
    'date': pd.date_range('2023-01-01', periods=1000, freq='H'),
    'value': np.random.randn(1000)
})

# 多变量时间序列
data = pd.DataFrame({
    'date': pd.date_range('2023-01-01', periods=1000, freq='H'),
    'feature1': np.random.randn(1000),
    'feature2': np.random.randn(1000),
    'target': np.random.randn(1000)
})
3) NumPy 数组
# 形状：[batch_size, sequence_length, features]
data = np.random.randn(1000, 96, 1)  # 单变量
data = np.random.randn(1000, 96, 7)  # 多变量
4) JSON 格式（API）
{
  "data": [[1.2, 1.1], [1.3, 1.0], [1.1, 1.2]],
  "dates": ["2023-01-01", "2023-01-02", "2023-01-03"],
  "horizon": 24,
  "config_overrides": {
    "seq_len": 96,
    "batch_size": 32
  }
}

数据加载组件

组件 用途 最佳使用场景
PredenergyDataLoader 标准数据加载 常规时间序列
PredenergyUniversalDataLoader 变长序列加载 不规则数据
PredenergyDataset 核心数据集，支持窗口化 自定义处理
BenchmarkEvalDataset 评估数据集 模型比较

快速数据加载示例

from models.Predenergy.datasets.Predenergy_data_loader import create_Predenergy_data_loader

# 创建数据加载器
data_loader = create_Predenergy_data_loader(
    data="path/to/data.csv",
    loader_type='standard',
    seq_len=96,
    pred_len=24,
    batch_size=32,
    features='M',           # 多变量
    target='target',        # 目标列
    freq='h'               # 小时数据
)

# 获取数据加载器
train_loader = data_loader.get_train_loader()
val_loader = data_loader.get_val_loader()
test_loader = data_loader.get_test_loader()

🎯 四、快速使用

🚀 1. 基本使用

import numpy as np
import pandas as pd
from models.Predenergy.models.unified_config import PredenergyUnifiedConfig
from models.Predenergy.models.predenergy_model import PredenergyForPrediction

# 1. 创建配置
config = PredenergyUnifiedConfig(
    seq_len=96,                      # 输入序列长度
    horizon=24,                      # 预测范围
    use_paddlenlp_decoder=True,      # 启用高级解码器
    num_experts=8,                   # MoTSE 专家数量
    decoder_num_layers=3             # 解码器深度
)

# 2. 初始化模型
model = PredenergyForPrediction(config)

# 3. 准备数据（示例，用随机数替代）
batch_size, seq_len, features = 32, 96, 1
input_data = paddle.randn([batch_size, seq_len, features])
labels = paddle.randn([batch_size, config.horizon, config.c_out])

# 4. 训练步骤
model.train()
outputs = model(input_data, labels=labels)
loss = outputs['loss']

# 5. 推理
model.eval()
with paddle.no_grad():
    predictions = model.predict(input_data)
    
print(f"Predictions shape: {predictions.shape}")

📊 2. 评估指标

评估指标结果包括：

  • 基本指标（MSE、MAE、MAPE、R²）
  • 高级指标（SMAPE、WAPE、方向准确性）
  • 概率指标（CRPS、对数似然）
  • 分布指标（KS 检验、Wasserstein 距离）
  • 时序指标（自相关性、谱相似性）
# 综合评估
from models.Predenergy.utils.enhanced_metrics import EnhancedForeccastMetrics

evaluation = EnhancedForeccastMetrics.comprehensive_evaluation(
    y_true=actual_values,
    y_pred=predictions, # 如果可用
    sample_weight=None,
    freq='H'
)

# 打印详细指标
from models.Predenergy.utils.enhanced_metrics import print_metrics_summary
print_metrics_summary(evaluation, "Predenergy 性能报告")

⚙️ 3. 配置文件说明

下表根据参数文件 configs/predenergy_config.yaml 对相关参数进行说明

类别 参数 默认值 说明
核心预测 seq_len 96 输入序列长度
horizon 24 预测步长/范围
label_len 48 解码器标签长度（辅助）
input_size 1 输入特征维度（单变量=1，多变量=特征数）
c_out 1 输出维度（通常为目标列数）
模型结构 d_model 512 隐层表示维度（主干通道数）
n_heads 8 多头注意力头数
e_layers 2 编码器层数
d_layers 1 解码器层数
d_ff 2048 前馈网络维度
dropout 0.1 Dropout 比例
activation gelu 激活函数
注意力 factor 5 注意力稀疏因子/Top-k 相关参数
output_attention false 是否输出注意力权重
训练 batch_size 32 批大小
learning_rate 0.001 学习率
num_epochs 100 训练轮数上限
patience 10 早停耐心值
loss_function huber 损失函数类型（如 mse/mae/huber）
数据处理 features S 特征类型：S=单变量，M=多变量
target OT 目标列名
normalize 2 归一化方式（0/1/2…取决于实现）
freq h 采样频率（如 h、m、d）
embed timeF 时间特征嵌入方式
高级选项 use_layer_norm true 是否使用 LayerNorm
use_revin true 是否使用 RevIN 归一化
moving_avg 25 移动平均窗口（分解/平滑）
STDM CI true 通道独立（Channel Independence）
distil true 是否使用蒸馏/降采样模块
MoTSE num_experts 8 专家数（Mixture-of-Experts）
num_experts_per_tok 2 每个 token 激活的专家数
connection_type adaptive 专家连接方式：linear/attention/concat/adaptive
motse_hidden_size 1024 MoTSE 隐层维度
motse_num_layers 6 MoTSE 层数
motse_num_heads 16 MoTSE 注意力头数
motse_intermediate_size 4096 MoTSE 前馈中间层维度
router_aux_loss_factor 0.02 路由器辅助损失权重
apply_aux_loss true 是否启用辅助损失
PaddleNLP
Decoder		 use_paddlenlp_decoder true 是否启用 PaddleNLP 解码器
decoder_hidden_size 512 解码器隐藏维度
decoder_num_layers 3 解码器层数
decoder_num_heads 8 解码器注意力头数
decoder_dropout 0.1 解码器 Dropout 比例
生成 max_position_embeddings 2048 最大位置编码长度
rope_theta 10000.0 RoPE 旋转位置编码的 θ 参数
use_cache true 是否使用 KV cache 加速推理
设备/性能 device auto 设备选择：auto/cuda/cpu
mixed_precision true 是否启用混合精度训练

🚁 五、Yunergy 无人机平台

🖼️ 1. 静态展示

54bdaa1e b93c 4aa2 812f 1caf8f2dbb18 2d106b7a 00fe 46f9 8130 aa91e1b907df

🎥 2. 无人机飞行测试视频

=> 戳这里看无人机飞行视频 <=

特意选了个呆呆的降落hhh

🗺️ 3. 巡检检测系统架构

whiteboard exported image (3)

🛠️ 4. 飞控主板设计

QQ截图20250826190035

📚 六、ETSD 大规模时序预测数据集

02367fd4 011f 4eb9 8711 88d707124e1a

下表为数据集详细组成，其中：

  • TIME POINTS：数据集时间戳数量

  • FILE SIZE：数据集文件大小

  • FREQ.：数据集时间戳采样频率

  • ADF.：数据集平稳性衡量指标，全称增广迪基-福勒检验；其结果值与数据平稳性性成反比关系；具体计算公式如下：其中， $S_i \in \mathbb{R}^{T_{i}}$ 表示数据集 $D$ 中的第 $i$ 个序列， $T_i$ 是 $S_i$ 的长度， $C$ 是数据集 $D$ 中时间序列的数量。

$$ T = \sum^C_{i=1} T_i, \ \ \text{ADF-Statistic}\left(D \right) = \sum^C_{i=1} \frac{T_i}{T}\text{ADF-Statistic}\left( S^{(i)} \right) $$

  • FORECAST.：数据可预测性衡量标准，通过从序列的傅里叶分解中减去熵计算；其结果值与数据可预测性成正比关系；具体计算公式如下：其中， $S_i \in \mathbb{R}^{T_{i}}$ 表示数据集 $D$ 中的第 $i$ 个序列， $T_i$ 是 $S_i$ 的长度， $C$ 是数据集 $D$ 中时间序列的数量。

$$ T = \sum^C_{i=1} T_i, \ \ \text{Forecast-ability}\left(\mathcal{D} \right) = \sum^C_{i=1} \frac{T_i}{T} \left( 1-\text{Entropy}\left(\mathcal{F} \left( S^{(i)} \right)\right)\right) $$

DOMAIN DATASET TIME POINTS FILE SIZE FREQ. ADF. FORECAST.
ENERGY
LONDON SMART METERS166.5M636MHOURLY-13.1580.173
WIND FARMS'7.40M29M4 SEC-29.1740.811
AUS. ELECTRICITY DEMAND1.16M5M30 MIN-27.5540.73
BDG-2 PANTHER0.92M4MHOURLY-6.5930.479
BDG-2 FoX2.32M9MHOURLY-9.1910.469
BDG-2 RAT4.73M19MHOURLY-6.8680.456
BDG-2 BEAR1.48M6MHOURLY-11.7420.471
LOW CARBON LONDON9.54M37MHOURLY-12.3660.134
SMART0.10M1MHOURLY-10.7550.143
IDEAL1.26M5MHOURLY-11.2230.106
SCEAUX0.03M1MHOURLY-14.1720.143
BOREALIS0.08M1MHOURLY-6.6120.16
BUILDINGS900K15852.22M60102MHOURLY-8.4120.357
Energy Policy Data11.34M5MMONTHLY-12.6910.575
Smart Grid Data3.29M14M10 MIN-13.6240.534
COVID19 ENERGY0.03M1MHOURLY-13.7680.698
GEF121.58M6MHOURLY-9.5760.566
GEF140.02M1MHOURLY-9.3720.628
GEF170.28M1MHOURLY-5.9760.599
PDB0.04M1MHOURLY-6.4530.622
SPANISH0.07M1MHOURLY-13.2170.77
ELF0.02M1MHOURLY-13.6070.77
Wind Turbine Data8.32M24M10 SEC-11.3250.632
Wind Power7.40M29M4 SEC-28.6710.782
Solar Power7.40M29M4 SEC-25.3460.835
KDD CUP 20224.73M181MHOURLY-17.0170.225
Installed Capacity0.28M1MMONTHLY-6.5210.436
RESIDENTIAL LOAD POWER437.98M1671MMINUTELY-37.9790.264
RESIDENTIAL PV POWER373.37M1435MMINUTELY-31.3890.421
DRONE268.43M1563M10 SEC-22.7910.236
ENVIRON-
MENT
AUSTRALIARAINFALL11.54M45MHOURLY-150.10.458
BEIJINGPM25QUALITY3.66M14MHOURLY-31.4150.404
BENZENECONCENTRATION16.34M63MHOURLY-65.1870.526
CHINA AIR QUALITY34.29M132MHOURLY-12.6020.529
BEIJING AIR QUALITY4.62M18MHOURLY-15.7580.332
HEALTH
MOTORIMAGERY72.58M279M0.001 SEC-3.1320.449
SELFREGULATIONSCP13.02M12M0.004 SEC-3.1910.504
SELFREGULATIONSCP23.06M12M0.004 SEC-2.7150.481
ATRIALFIBRILLATION0.04M1M0.008 SEC-7.0610.167
PIGARTPRESSURE0.62M3M--7.6490.739
PIGCVP*0.62M3M--4.8550.577
IEEEPPG15.48M61M0.008 SEC-7.7250.38
BIDMC32HR*63.59M244M--14.1350.523
TDBRAIN*72.30M283M0.002 SEC-3.1670.967
CDC FLUVIEW ILINET0.28M2MWEEKLY-4.3810.307
CDC FLUVIEW WHO NREVSS0.14M1MWEEKLY-7.9280.233
PROJECT TYCHO1.35M5MWEEKLY-8.1670.111
IOTSENSORDATA"165.4M631M0.02 SEC-15.8920.917
NATURE
PHONEME"2.16M9M--8.5060.243
EIGENWORMS27.95M107M--12.2010.393
ERA596458.81M368610MHOURLY-7.970.581
CMIP6104593.00M399069M6H-7.960.573
TEMPERATURE RAIN23.25M93MDAILY-10.9520.133
STARLIGHTCURVES9.46M37M--1.8910.555
SAUGEEN RIVER FLOW0.02M1MDAILY-19.3050.3
KDD CUP 2018*2.94M12MHOURLY-10.1070.362
US BIRTHS*0.00M1MDAILY-3.3520.675
SUNSPOT0.07M1MDAILY-7.8660.287
WORMS0.23M1M0.033 SEC-3.8510.395
SUBSEASONAL56.79M217MDAILY-12.3910.414
SUBSEASONAL PRECIPITATION9.76M38MDAILY-13.5670.276
TRANS-
PORT
PEDESTRIAN COUNTS*3.13M12MHOURLY-23.4620.297
PEMS 039.38M36M5MIN-19.0510.411
PEMS 0415.65M60M5 MIN-15.1920.494
PEMS 0724.92M96M5 MIN-20.6030.466
PEMS 089.11M35M5 MIN-14.9180.551
PEMS BAY16.94M65M5 MIN-12.770.704
LOS-LOOP7.09M28M5 MIN-16.0140.657
LOOP SEATTLE33.95M130M5 MIN-32.2090.535
SZ-TAXI0.46M2M15 MIN-5.90.217
BEIJING SUBWAY0.87M22M30 MIN-8.5710.219
SHMETROY5.07M20M15 MIN-17.0140.222
HZMETRO0.38M2M15 MIN-11.2540.232
Q-TRAFFIC264.39M1011M15 MIN-15.7610.49
TAXI55.00M212M30 MIN-8.3020.146
UBER TLC DAILY0.05M1MDAILY-1.7780.285
UBER TLC HOURLY1.13M5MHOURLY-9.0220.124
LARGEST4452.20M16988M5 MIN-38.020.436
WEB
WEB TRAFFIC*116.49M462MDAILY-8.2720.299
WIKI-ROLLING40.62M157MDAILY-5.5240.242
CLOUDOPS
ALIBABA CLUSTER TRACE190.39M2909M5 MIN-5.3030.668
AZURE VM TRACES 2017885.52M10140M5 MIN-11.4820.29
BORG CLUSTER DATA 20111073.89M14362M5 MIN-8.9750.505
SALES
M558.33M224MDAILY-6.9850.247
FAVORITA SALES139.18M535MDAILY-6.4410.097
FAVORITA TRANSACTIONS0.08M1MDAILY-5.4810.362
RESTAURANT0.29M2MDAILY-4.650.126
HIERARCHICAL SALES0.21M1MDAILY-8.7040.078
FINANCE
GODADDY0.26M2MMONTHLY-1.5390.784
BITCOIN0.07M1MDAILY-2.4930.398
MISC.
M1 YEARLY0.00M1MYEARLY-0.7910.473
M1 QUARTERLY0.01M1MQUARTERLY-0.1750.572
M1 MONTHLY0.04M1MMONTHLY-1.2990.588
M3 YEARLY0.02M1MYEARLY-0.850.524
M3 QUARTERLY0.04M1MQUARTERLY-0.8970.624
M3 MONTHLY0.1M1MMONTHLY-1.9540.635
M3 OTHER0.01M1M--0.5680.801
M4 YEARLY0.84M4MYEARLY-0.0360.533
M4 QUARTERLY2.214M10MQUARTERLY-0.7450.696
M4 MONTHLY10.38M41MMONTHLY-1.3580.665
M4 WEEKLY0.37M2MWEEKLY-0.5330.644
M4 DAILY9.96M39MDAILY-1.3320.841
M4 HOURLY0.35M2MHOURLY-2.0730.532

📑 七、参考文献

[1] Qiu X, Hu J, Zhou L, et al. Tfb: Towards comprehensive and fair benchmarking of time series forecasting methods[J]. arXiv preprint arXiv:2403.20150, 2024.

GitHub - decisionintelligence/TFB: [PVLDB 2024 Best Paper Nomination] TFB: Towards Comprehensive and ...

[2] Chen P, Zhang Y, Cheng Y, et al. Pathformer: Multi-scale transformers with adaptive pathways for time series forecasting[J]. arXiv preprint arXiv:2402.05956, 2024.

GitHub - decisionintelligence/pathformer

[3] Liu Y, Hu T, Zhang H, et al. itransformer: Inverted transformers are effective for time series forecasting[J]. arXiv preprint arXiv:2310.06625, 2023.

GitHub - thuml/Time-Series-Library: A Library for Advanced Deep Time Series Models.

[4] Nie Y, Nguyen N H, Sinthong P, et al. A time series is worth 64 words: Long-term forecasting with transformers[J]. arXiv preprint arXiv:2211.14730, 2022.

GitHub - PatchTST/PatchTST: An official implementation of PatchTST

[5] Zhang Y, Yan J. Crossformer: Transformer utilizing cross-dimension dependency for multivariate time series forecasting[C]//The eleventh international conference on learning representations. 2023.

GitHub - rail-berkeley/crossformer

[6] Zeng A, Chen M, Zhang L, et al. Are transformers effective for time series forecasting?[C]//Proceedings of the AAAI conference on artificial intelligence. 2023, 37(9): 11121-11128.

GitHub - cure-lab/LTSF-Linear: Official implementation of the paper "Are Transformers..."

[7] Wu H, Hu T, Liu Y, et al. Timesnet: Temporal 2d-variation modeling for general time series analysis[J]. arXiv preprint arXiv:2210.02186, 2022.

GitHub - lichen0620/timesnet

[8] Wu R, Keogh E J. Current time series anomaly detection benchmarks are flawed and are creating the illusion of progress[J]. IEEE transactions on knowledge and data engineering, 2021, 35(3): 2421-2429.

Current Time Series Anomaly Detection Benchmarks are Flawed and are Creating the Illusion of Progress

[9] Xu J, Wu H, Wang J, et al. Anomaly transformer: Time series anomaly detection with association discrepancy[J]. arXiv preprint arXiv:2110.02642, 2021.

GitHub - thuml/Anomaly-Transformer

[10] Liu Y, Zhang H, Li C, et al. Timer: Generative pre-trained transformers are large time series models[J]. arXiv preprint arXiv:2402.02368, 2024.

GitHub - thuml/timer

[11] Qiu X, Wu X, Lin Y, et al. Duet: Dual clustering enhanced multivariate time series forecasting[C]//Proceedings of the 31st ACM SIGKDD Conference on Knowledge Discovery and Data Mining V. 1. 2025: 1185-1196.

GitHub - decisionintelligence/DUET: Dual Clustering Enhanced Multivariate Time Series Forecasting

[12] Shi X, Wang S, Nie Y, et al. Time-moe: Billion-scale time series foundation models with mixture of experts[J]. arXiv preprint arXiv:2409.16040, 2024.

GitHub - Time-MoE/Time-MoE: Billion-Scale Time Series Foundation Models with Mixture of Experts

About

The repository of the large model Predenergy for time series prediction (based on paddlepaddle)

Resources

Readme
Activity

Stars

2 stars

Watchers

0 watching

Forks

0 forks
Report repository

Releases

No releases published

Packages

No packages published

Languages