零代码上手Kairos-50M3分钟实现跨领域时间序列预测的Python实例【免费下载链接】Kairos_50m项目地址: https://ai.gitcode.com/hf_mirrors/mldi-lab/Kairos_50mKairos-50M是一款仅需5000万参数的时间序列基础模型专为跨领域零样本预测设计。它采用动态补丁 tokenizer、混合大小编码和动态旋转位置嵌入DRoPE技术能高效处理不同信息密度的异构时间序列数据让普通用户也能轻松实现专业级预测分析。 为什么选择Kairos-50M三大核心优势 动态自适应架构Kairos-50M的混合大小编码器可根据局部信息密度自动选择tokenization粒度配合动态旋转位置嵌入DRoPE技术能为不同频谱特征的时间序列数据生成定制化位置编码解决传统模型在异构数据上的适配难题。 开箱即用的零样本预测无需任何领域微调模型即可在电力负荷、股票价格、气象数据等多个领域展现优异性能。这得益于其在包含3000多亿时间点的PreSTS语料库上的预训练使其具备强大的跨场景泛化能力。⚡ 高效轻量设计仅5000万参数的体量却能超越许多大型模型特别适合资源有限的环境。配置文件config.json显示模型采用8头注意力机制和6层Transformer结构在保证性能的同时大幅降低计算需求。 模型核心参数速览参数数值说明上下文长度2048单次输入的最大时间序列长度预测长度64默认预测步长可根据需求调整嵌入维度512模型内部特征表示维度注意力头数8并行注意力机制数量解码器层数6模型深度影响特征提取能力 3分钟快速上手步骤1️⃣ 环境准备确保已安装transformers库5.12.1及以上版本pip install transformers --upgrade2️⃣ 获取模型通过Git克隆完整项目git clone https://gitcode.com/hf_mirrors/mldi-lab/Kairos_50m cd Kairos_50m3️⃣ 零代码预测实现使用以下Python代码即可完成时间序列预测import torch from tsfm.model.kairos import AutoModel # 加载模型 model AutoModel.from_pretrained( mldi-lab/Kairos_50m, trust_remote_codeTrue ) # 准备输入数据示例为随机生成实际应用中替换为你的时间序列数据 batch_size, context_length 1, 2048 seqs torch.randn(batch_size, context_length) # 执行预测 forecast model( past_targetseqs.clone().detach().float(), prediction_length96, # 预测未来96个时间步 generationTrue, preserve_positivityTrue, # 确保预测结果非负 average_with_flipped_inputTrue # 使用数据增强提升稳定性 ) # 获取预测结果 prediction forecast[prediction_outputs] print(f预测结果形状: {prediction.shape}) # 输出应为 (1, 96) 实用技巧与最佳实践数据预处理建议输入数据需保持二维结构批量大小×时间序列长度建议对数据进行标准化处理均值为0标准差为1长序列数据可分块输入每块不超过2048个时间点参数调优指南prediction_length根据实际需求调整预测步长建议不超过输入序列长度的50%preserve_positivity对非负数据如销售额、温度设为Trueaverage_with_flipped_input时序波动较大时启用可降低预测方差 进阶学习资源官方技术论文Kairos: Toward Adaptive and Parameter-Efficient Time Series Foundation Models模型家族除50M版本外还有轻量级的Kairos-23M和Kairos-10M可供选择 引用与致谢如果使用Kairos-50M进行研究请引用以下论文article{feng2025kairos, title{Kairos: Toward Adaptive and Parameter-Efficient Time Series Foundation Models}, author{Feng, Kun and Lan, Shaocheng and Fang, Yuchen and He, Wenchao and Ma, Lintao and Lu, Xingyu and Ren, Kan}, journal{arXiv preprint arXiv:2509.25826v2}, year{2025} }本项目采用Apache 2.0开源许可详情参见LICENSE文件。【免费下载链接】Kairos_50m项目地址: https://ai.gitcode.com/hf_mirrors/mldi-lab/Kairos_50m创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 零代码上手Kairos-50M：3分钟实现跨领域时间序列预测的Python实例
零代码上手Kairos-50M3分钟实现跨领域时间序列预测的Python实例【免费下载链接】Kairos_50m项目地址: https://ai.gitcode.com/hf_mirrors/mldi-lab/Kairos_50mKairos-50M是一款仅需5000万参数的时间序列基础模型专为跨领域零样本预测设计。它采用动态补丁 tokenizer、混合大小编码和动态旋转位置嵌入DRoPE技术能高效处理不同信息密度的异构时间序列数据让普通用户也能轻松实现专业级预测分析。 为什么选择Kairos-50M三大核心优势 动态自适应架构Kairos-50M的混合大小编码器可根据局部信息密度自动选择tokenization粒度配合动态旋转位置嵌入DRoPE技术能为不同频谱特征的时间序列数据生成定制化位置编码解决传统模型在异构数据上的适配难题。 开箱即用的零样本预测无需任何领域微调模型即可在电力负荷、股票价格、气象数据等多个领域展现优异性能。这得益于其在包含3000多亿时间点的PreSTS语料库上的预训练使其具备强大的跨场景泛化能力。⚡ 高效轻量设计仅5000万参数的体量却能超越许多大型模型特别适合资源有限的环境。配置文件config.json显示模型采用8头注意力机制和6层Transformer结构在保证性能的同时大幅降低计算需求。 模型核心参数速览参数数值说明上下文长度2048单次输入的最大时间序列长度预测长度64默认预测步长可根据需求调整嵌入维度512模型内部特征表示维度注意力头数8并行注意力机制数量解码器层数6模型深度影响特征提取能力 3分钟快速上手步骤1️⃣ 环境准备确保已安装transformers库5.12.1及以上版本pip install transformers --upgrade2️⃣ 获取模型通过Git克隆完整项目git clone https://gitcode.com/hf_mirrors/mldi-lab/Kairos_50m cd Kairos_50m3️⃣ 零代码预测实现使用以下Python代码即可完成时间序列预测import torch from tsfm.model.kairos import AutoModel # 加载模型 model AutoModel.from_pretrained( mldi-lab/Kairos_50m, trust_remote_codeTrue ) # 准备输入数据示例为随机生成实际应用中替换为你的时间序列数据 batch_size, context_length 1, 2048 seqs torch.randn(batch_size, context_length) # 执行预测 forecast model( past_targetseqs.clone().detach().float(), prediction_length96, # 预测未来96个时间步 generationTrue, preserve_positivityTrue, # 确保预测结果非负 average_with_flipped_inputTrue # 使用数据增强提升稳定性 ) # 获取预测结果 prediction forecast[prediction_outputs] print(f预测结果形状: {prediction.shape}) # 输出应为 (1, 96) 实用技巧与最佳实践数据预处理建议输入数据需保持二维结构批量大小×时间序列长度建议对数据进行标准化处理均值为0标准差为1长序列数据可分块输入每块不超过2048个时间点参数调优指南prediction_length根据实际需求调整预测步长建议不超过输入序列长度的50%preserve_positivity对非负数据如销售额、温度设为Trueaverage_with_flipped_input时序波动较大时启用可降低预测方差 进阶学习资源官方技术论文Kairos: Toward Adaptive and Parameter-Efficient Time Series Foundation Models模型家族除50M版本外还有轻量级的Kairos-23M和Kairos-10M可供选择 引用与致谢如果使用Kairos-50M进行研究请引用以下论文article{feng2025kairos, title{Kairos: Toward Adaptive and Parameter-Efficient Time Series Foundation Models}, author{Feng, Kun and Lan, Shaocheng and Fang, Yuchen and He, Wenchao and Ma, Lintao and Lu, Xingyu and Ren, Kan}, journal{arXiv preprint arXiv:2509.25826v2}, year{2025} }本项目采用Apache 2.0开源许可详情参见LICENSE文件。【免费下载链接】Kairos_50m项目地址: https://ai.gitcode.com/hf_mirrors/mldi-lab/Kairos_50m创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考