AutoGluon Time Series 模型库（Model Zoo）完全指南：从基线模型到预训练大模型

AutoGluon Time Series 模型库（Model Zoo）完全指南：从基线模型到预训练大模型

【免费下载链接】autogluonFast and Accurate ML in 3 Lines of Code项目地址: https://gitcode.com/GitHub_Trending/au/autogluon

导读

本文面向 AutoGluon-TimeSeries 的高级用户，系统梳理 docs/tutorials/timeseries/forecasting-model-zoo.md 中收录的全部 26 个时间序列预测模型：包括 5 个基线模型、6 个统计模型、3 个稀疏数据专用统计模型、7 个深度学习模型、3 个 Tabular 转化模型与 4 个预训练大模型，并逐一讲解其关键超参数与适用场景。读完本文，你将能够：在TimeSeriesPredictor.fit中通过hyperparameters字典精准地选模型、配参数；正确使用target_scaler、covariate_scaler、covariate_regressor三个全局共享超参数；并根据"是否支持静态特征 / 已知协变量 / 历史协变量"的能力表为你的预测任务选型。

注意：本文面向高级用户，内容可能不完整；如需稳定的公共 API，请以TimeSeriesPredictor的正式文档为准。

一、如何从模型库中选取与配置模型

模型库（Model Zoo）的核心用途是覆盖默认超参数或自定义超参数搜索空间。你不需要修改 AutoGluon 源码，只需在fit时把想要使用的模型名作为字典的 key 传入hyperparameters，值为该模型的超参数字典（{}表示使用默认超参数）。

例如，下面这段代码将训练一个仅包含DeepAR和ETS两个模型（并自动在其之上叠加加权集成）的预测器：

predictor = TimeSeriesPredictor().fit( train_data, hyperparameters={ "DeepAR": {}, "ETS": {}, }, )

有两个关键约定需要牢记：

• 模型名不必带"Model"后缀：hyperparameters字典里的"DeepAR"与"DeepARModel"指向同一个类autogluon.timeseries.models.DeepARModel。这一约定由模型注册机制的实现直接保证（详见下文"模型注册机制"）。
• 部分模型的超参数名称与默认值，与底层原始库（如 GluonTS、StatsForecast、MLForecast）并不完全一致，应以 AutoGluon 侧的文档与源码为准。例如DeepARModel的scaling参数是作用于"上下文窗口"的缩放，而target_scaler作用于"整条时间序列"，两者含义不同。

模型注册机制（源码佐证）

为什么可以省略Model后缀？答案在 registry.py 的ModelRegistry元类中：所有继承TimeSeriesModel的类在定义时都会被自动注册，注册的别名通过name.removesuffix("Model")去掉后缀得到；若类还提供了ag_model_aliases属性，这些额外别名也会一并注册。因此TemporalFusionTransformerModel可以通过ag_model_aliases = ["TFT"]（见 gluonts/models.py）以"TFT"使用，CrostonModel则以ag_model_aliases = ["CrostonSBA"]（见 local/statsforecast.py）支持"CrostonSBA"别名。每个模型还带有ag_priority属性（数值越小优先级越高），用于自动模型选择时决定默认使用哪些模型。

二、模型总览

下表是模型库收录的全部模型，均定义在autogluon.timeseries.models命名空间下（见 models/init.py）：

此外，注册表中还包含未出现在本文档列表中的ARIMAModel（固定参数 ARIMA）与DynamicOptimizedThetaModel（优化版 Theta），它们同样可从hyperparameters中使用。下面按类别逐一展开，各模型"Other Parameters"即为其可配置超参数。

三、基线模型（Baseline Models）

基线模型使用最少的历史数据做出预测，是衡量复杂方法效果的下限基准，拟合速度极快。实现集中在 models/local/naive.py。

NaiveModel（朴素预测）

将预测值直接设为最后一个观测值。分位数通过假设残差服从零均值正态分布得到，尺度由残差的经验分布估计。可用超参数：

• n_jobs：并行拟合使用的 CPU 核数。默认joblib.cpu_count(only_physical_cores=True)；取(0, 1)区间浮点数时表示使用该比例的物理核；正整数表示使用指定核数；-1表示使用全部核。

SeasonalNaiveModel（季节性朴素预测）

将预测值设为同一季节上一次观测到的值。可用超参数：

• seasonal_period：一个完整季节周期包含的时间步数，例如日频数据的周周期为7，月频数据的年周期为12。默认None表示从训练数据的频率自动推断；也可手动指定大于 1 的整数。若推断或指定的周期为1，则回退为 Naive 预测；若序列长度小于周期，同样禁用季节性。
• n_jobs：同NaiveModel。

AverageModel（均值预测）

将预测值设为历史均值或对应分位数。可用超参数：

• n_jobs：同NaiveModel。
• max_ts_length：默认None。若设置，只使用每条序列最后max_ts_length个时间步训练模型，可显著加速拟合，通常精度几乎不变。

SeasonalAverageModel（季节性均值预测）

将预测值设为同一季节的历史均值或分位数。超参数seasonal_period、n_jobs、max_ts_length含义同上。其实现会对每个"季节槽位"分组计算均值与分位数，并对训练数据中缺失的季节槽位用全序列统计量填充。

ZeroModel（零值预测）

始终返回 0 预测的朴素预测器，预测区间采用**共形预测（conformal prediction）**计算。它继承自间歇需求模型的共形化基类（见 local/statsforecast.py），适合作为"全零"场景的参考基线。

四、统计模型（Statistical Models）

统计模型捕捉趋势、季节性等简单模式，训练快、可解释性强，绝大多数基于 StatsForecast 库实现，封装在 models/local/statsforecast.py。

ETSModel（指数平滑）

误差（E）、趋势（T）、季节（S）三个分量由用户固定的指数平滑模型。核心超参数：

• model：默认"AAA"，描述 E/T/S 三个分量的模型串，每个字符可取"M"（乘法）、"A"（加法）、"N"（省略）。例如model="ANN"（加法误差、无趋势、无季节）表示只做简单指数平滑。
• seasonal_period、damped（是否阻尼趋势，默认False）、n_jobs、max_ts_length（默认 2500）含义同前。

AutoARIMAModel（自动 ARIMA）

通过信息准则自动挑选最优 (p,d,q,P,D,Q)参数的 ARIMA 模型，基于statsforecast.models.AutoARIMA。常用超参数：

• d、D：一阶差分阶数与季节差分阶数，None时自动用统计检验确定。
• max_p/max_q（默认 5/5）、max_P/max_Q（默认 2/2）：自回归项与移动平均项的最大阶数（含季节项）。
• max_d（默认 2）、max_D（默认 1）：差分阶数上限。
• start_p/start_q（默认 2/2）、start_P/start_Q（默认 1/1）：逐步搜索的起始值。
• stationary（默认False）：是否只搜索平稳模型。
• seasonal（默认True）：是否考虑季节模型。
• approximation（默认True）：近似优化以加快收敛。
• allowdrift（默认False）、allowmean（默认True）：是否允许漂移项 / 非零均值。
• seasonal_period、n_jobs、max_ts_length同上。

AutoETSModel（自动 ETS）

用信息准则自动选择最优 ETS 组合的指数平滑模型，基于statsforecast.models.AutoETS。核心超参数：

• model：默认"ZZZ"，表示 E/T/S 三个分量都"自动选择"；也可以固定为"ANN"等组合（含义同ETSModel）。
• seasonal_period、damped（默认False）、n_jobs、max_ts_length同上。
• 一个值得注意的实现细节：当序列长度不足以支撑所选季节周期时，源码会自动把模型串的最后一个字符改为"N"以禁用季节性（例如"AAA"→"AAN"），避免模型崩溃。

AutoCESModel（复杂指数平滑）

基于 Akaike 信息准则（AIC）自动选择模型的 Complex Exponential Smoothing。核心超参数：

• model：{"Z", "N", "S", "P", "F"}，默认"Z"。"N"为简单 CES，"S"为简单季节性，"P"为部分季节性（无复数部分），"F"为完整季节性；"Z"表示用 AIC 自动选择。
• seasonal_period、n_jobs、max_ts_length同上。实现上，当序列过短（少于 5 个点）时会回退为朴素预测；周期不满足时自动改用"N"模型。

ThetaModel（Theta 模型）

基于 Theta 分解方法的预测模型，支持decomposition_type（"multiplicative"或"additive"，默认"multiplicative"）与seasonal_period等参数。

NPTSModel（非参数时间序列预测）

基于gluonts.model.npts.NPTSPredictor的非参数预测器，特别适合稀疏或含大量零值的间歇序列。核心超参数：

• kernel_type：{"exponential", "uniform"}，默认"exponential"。
• exp_kernel_weights：指数核的缩放因子，默认1.0。
• use_seasonal_model：是否使用季节变体，默认True。
• num_samples：预测生成的采样数，默认100。
• num_default_time_features：季节模型使用的时间特征数，默认1。
• 由于 NPTS 依赖采样、具有非确定性，源码在预测时会固定随机种子（np.random.seed(123)）以保证并行环境下的可复现性，并在结束后恢复原始随机状态（见 local/npts.py）。

五、稀疏数据统计模型（Statistical Models for Sparse Data）

专为稀疏、非负数据（尤其是间歇性需求预测 intermittent demand forecasting）设计的统计模型。它们都继承自"共形化"基类：先用滚动窗口在历史数据上计算非一致性得分（nonconformity scores），再以ceil((1 - alpha) * (n + 1)) / n分位数构造预测区间；所有模型的预测都会被clip到不小于min(0, 序列最小值)，避免产生负的需求预测。

• ADIDAModel：基于 Aggregate-Disaggregate Intermittent Demand Approach（聚合-分解间歇需求法）。
• CrostonModel：Croston 方法（及其 Syntetos-Boylan 修正）。核心超参数variant默认"SBA"，可选：
  • "classic"：平滑参数固定为 0.1 的经典 Croston；
  • "SBA"：Syntetos-Boylan 近似；
  • "optimized"：平滑参数被优化的变体。
• IMAPAModel：Intermittent Multiple Aggregation Prediction Algorithm（间歇多重聚合预测算法）。

六、深度学习模型（Deep Learning Models）

深度学习模型用神经网络捕捉数据中的复杂模式，实现均基于 GluonTS 的 PyTorch 版本 Estimator，封装在 models/gluonts/models.py。所有此类模型共享以下通用训练超参数（具体默认值见各模型）：

• max_epochs（默认 100）、batch_size（默认 64）、predict_batch_size（默认 500）、num_batches_per_epoch（默认 50）、lr（默认 1e-3）、trainer_kwargs、early_stopping_patience（默认 20）、keep_lightning_logs（默认False，设为True时保留lightning_logs目录）。

DeepARModel（自回归 RNN）

基于循环神经网络的自回归概率预测模型。核心超参数：

• context_length：默认max(10, 2 * prediction_length)，RNN 展开的步数。
• num_layers（默认 2）、hidden_size（默认 40）、dropout_rate（默认 0.1）。
• embedding_dimension：分类特征嵌入维度，默认按基数自适应。
• max_cat_cardinality（默认 100）：分类已知协变量独热编码的最大维度。
• distr_output：默认StudentTOutput()，决定输出分布与损失计算。
• scaling：默认True，对每个上下文窗口做平均绝对缩放（注意与全局target_scaler不同）。
• disable_static_features、disable_known_covariates：默认False，可关闭对静态特征 / 已知协变量的使用。
• 实现上，其 lag 序列（lags_seq）与时间特征（time_features）会根据数据频率自动生成（get_lags_for_frequency、get_time_features_for_frequency）。

DLinearModel

在预测前先剔除趋势的简单前馈网络（"Are Transformers Effective for Time Series Forecasting?"，AAAI 2023）。核心超参数：context_length（默认 96）、hidden_dimension（默认 20）、scaling（{"mean", "std", None}，默认"mean"）、weight_decay（默认 1e-8）。

PatchTSTModel

将序列切分为补丁（patch）的 Transformer 预测器。核心超参数：

• context_length：默认 96；patch_len：默认 16；stride：默认 8。
• d_model（默认 32）、nhead（默认 4，需整除d_model）、num_encoder_layers（默认 2）。
• scaling：{"mean", "std", None}，默认"mean"；weight_decay：默认 1e-8。

SimpleFeedForwardModel

同时预测未来所有值的前馈网络。核心超参数：context_length（默认max(10, 2 * prediction_length)）、hidden_dimensions（默认[20, 20]）、batch_normalization（默认False）、mean_scaling（默认True）。

TemporalFusionTransformerModel（TFT）

将 LSTM 与 Transformer 层结合、直接预测未来所有目标值分位数的模型（别名"TFT"）。核心超参数：

• context_length：默认min(512, max(64, 2 * prediction_length))。
• hidden_dim（默认 32）、variable_dim（默认 32）、num_heads（默认 4）、dropout_rate（默认 0.1）。
• distr_output：默认QuantileOutput()。
• disable_static_features/disable_known_covariates/disable_past_covariates：分别控制是否关闭静态特征、已知协变量与历史协变量（默认均False）。
• TFT 是少数同时支持静态特征、已知协变量与历史协变量的深度学习模型（见第七节能力表）。

TiDEModel

Time-series Dense Encoder（"Long-term Forecasting with TiDE"，TMLR 2023）。核心超参数：context_length（默认min(512, max(64, 2 * prediction_length))）、feat_proj_hidden_dim（4）、encoder_hidden_dim/decoder_hidden_dim/temporal_hidden_dim/distr_hidden_dim（均 64）、num_layers_encoder/num_layers_decoder（2）、decoder_output_dim（16）、dropout_rate（0.2）、layer_norm（True）、lr（1e-4）、batch_size（256）。

WaveNetModel

基于扩张卷积 CNN、对目标做分桶量化的生成式模型（"WaveNet: A generative model for raw audio"）。核心超参数：num_bins（1024）、num_residual_channels（24）、num_skip_channels（32）、dilation_depth（默认None，自动保证感受野覆盖季节性与2 * prediction_length）、num_stacks（1）、temperature（1.0）、seasonality（默认按频率推断）、negative_data（默认True，是否允许负值）。

七、Tabular 模型（Tabular Models）

Tabular 模型把时间序列预测转化为表格回归问题，内部借助 MLForecast 完成 lag 特征、时间特征的高效预处理，再用 AutoGluon-Tabular 的回归模型拟合。实现在 models/autogluon_tabular/。

DirectTabularModel（直接预测）

将整个预测窗口作为多输出回归问题，直接预测未来prediction_length步。特征包括 lag 值、时间特征、已知协变量与静态特征。当eval_metric.needs_quantile为真时，模型按分位数回归问题训练，否则按回归问题训练并通过残差正态假设构造分位数。

RecursiveTabularModel（递归预测）

单步模型递归滚动预测整个预测窗口，预测结果会作为下一步的特征输入。两者（Direct / Recursive）均基于 mlforecast.py 中的AbstractMLForecastModel基类实现，共享以下超参数：

• lags：目标变量的滞后阶数，默认按频率自动生成。
• date_features：由时间戳计算的日期特征，默认按频率自动推断。
• differences：差分阶数（默认按数据长度自动校验；若序列过短会回退为[1]并给出警告）。
• target_scaler：目标缩放（默认由基类处理）。
• model_name：默认"GBM"，即使用梯度提升树作为回归器；也可换用 AutoGluon-Tabular 注册表中的其他模型。
• model_hyperparameters：传给回归模型的超参数。
• max_num_items（默认 20,000）、max_num_samples（默认 1,000,000）：对训练规模的上限控制，用于控制内存与耗时。
• 分位数通过"逐条序列的残差标准差 + 高斯假设"（_add_gaussian_quantiles）在验证集上计算得到；对过短的序列会自动回退到SeasonalNaiveModel生成预测并给出警告。

PerStepTabularModel（逐步预测）

为预测窗口中的每一个时间步单独拟合一个表格回归模型。核心超参数：

• trailing_lags：滚动窗口 lag，按步长平移（第 h 步使用[lag + h for lag in trailing_lags]），默认[1, 2, ..., 12]。
• seasonal_lags：季节 lag，不平移但按可用性过滤（第 h 步使用[lag for lag in seasonal_lags if lag > h]），默认按频率自动确定。
• date_features、target_scaler（默认"mean_abs"）、model_name（默认"CAT"，即 CatBoost）、model_hyperparameters、validation_fraction（默认 0.1）、max_num_items、max_num_samples、n_jobs。
• 注意：该模型当前不支持差分（differences被显式注释掉），且通常比其他 Tabular 预测模型拟合更慢；模型按预测步数并行拟合，n_jobs会根据可用内存自动确定以避免 OOM。

八、预训练模型（Pretrained Models）

在大规模时间序列数据集上预训练、可零样本（zero-shot）预测的深度学习模型，也可针对特定任务微调。

ChronosModel

Chronos 系列（[Ansari2024]，TMLR 2024）将时间序列离散化为 token 后做分类式回归；新版 Chronos-Bolt 先对序列做 patching，推理速度显著更快且可完全在 CPU 上运行。核心超参数（见 models/chronos/model.py）：

• model_path：默认"autogluon/chronos-bolt-small"。可使用 HF Hub 模型名或本地目录；原版 Chronos（autogluon/chronos-t5-{size}）支持别名tiny、mini、small、base、large，Bolt 版本支持bolt_tiny、bolt_mini、bolt_small、bolt_base。
• batch_size：默认 256（原版 Chronos 为 16，large 为 8；预测窗口超长时 Bolt 的 batch 会按 4 倍缩减）。
• num_samples：默认 20，仅原版 Chronos 使用。
• device：默认None（自动选 GPU）；原版small/base/large推理需要 GPU，Bolt 全部可在 CPU 上推理。
• context_length：默认None，推理时按数据长度推断、上限 2048。
• torch_dtype：默认"auto"；原版 small/base/large 会自动设为bfloat16。
• 微调参数：fine_tune（默认False）、fine_tune_lr（默认 1e-5；原版 Chronos 建议 1e-4）、fine_tune_steps（默认 1000）、fine_tune_batch_size（默认 32）、fine_tune_shuffle_buffer_size（默认 10000）、eval_during_fine_tune、fine_tune_eval_max_items、fine_tune_trainer_kwargs、keep_transformers_logs、revision。

Chronos2Model

Chronos 的后续版本，同样支持零样本预测与微调（实现位于 models/chronos/chronos2.py）。

TotoModel 与 Toto2Model

Toto 系列预训练模型：Toto 通过文本化的方式利用历史协变量与已知协变量进行预测；Toto2 为后续版本。二者实现分别位于 models/toto/ 与 models/toto2/，均内置完整骨干网络与分词器实现，支持从 HF Hub 加载预训练权重。

九、所有模型共享的超参数

以下三个超参数对所有AutoGluon-TimeSeries 模型通用，其底层实现在 models/abstract/abstract_timeseries_model.py（allowed_hyperparameters统一声明，训练/预测时按固定顺序应用）。

target_scaler（目标值缩放）

• 取值：{"standard", "mean_abs", "robust", "min_max", None}，默认None。
• 作用：训练/预测前将每条序列按(y - loc) / scale缩放，预测结果再按y * scale + loc逆变换还原。loc与scale按每条时间序列分别计算。
  • "standard"：loc = mean(y)，scale = std(y)（标准化）；
  • "mean_abs"：loc = 0，scale = mean(abs(y))（平均绝对值）；
  • "robust"：loc = median(y)，scale = quantile(y, 0.75) - quantile(y, 0.25)（稳健缩放）；
  • "min_max"：将数据变换到 (0, 1) 区间，loc = min(y)，scale = max(y) - min(y)；
  • None：不做缩放。

covariate_scaler（协变量缩放）

• 取值：{"global", None}。
• 作用：若提供，在拟合模型前对已知协变量与静态特征应用所选缩放。这对假设输入已归一化的深度学习模型尤其有帮助。
  • "global"：偏斜特征用QuantileTransform，布尔特征直通，其余特征用StandardScaler；
  • None：不缩放协变量。
• 默认值：GluonTS 系模型默认"global"，其余模型默认None。

covariate_regressor（协变量回归器）

• 取值：{"LR", "GBM", "CAT", "XGB", "RF", None}，默认None（分别对应线性回归、梯度提升、CatBoost、XGBoost、随机森林）。
• 作用：若提供，将用已知协变量与静态特征拟合一个表格回归模型，在同一时间步预测目标列；然后把回归器预测值从目标列中减去，让预测模型只对残差建模；预测时再把回归器预测值加回。
• 建议与注意事项：
  • 启用covariate_regressor时，建议同时启用target_scaler，通常能提升精度并加快回归器拟合；
  • 若同时提供target_scaler与covariate_regressor，缩放先于回归器执行；
  • 实现上，回归器拟合会占用time_limit的一部分（源码中_covariate_regressor_fit_time_fraction = 0.5）。

十、MXNet 模型已弃用

曾经基于 GluonTS 的MXNet 模型因 MXNet 的依赖冲突问题已被弃用。当前所有 GluonTS 系模型均已切换到 PyTorch 实现（见 models/gluonts/ 中的模块说明："Module including wrappers for PyTorch implementations of models in GluonTS"），请勿再使用 MXNet 相关模型名。

十一、附加特征支持能力表

下表总结了各模型对附加特征（协变量）的支持情况；未出现在表中的模型当前不支持任何附加特征。

补充说明：除了上表，AutoGluon 中的所有模型都可以通过设置covariate_regressor超参数来处理已知协变量与静态特征。不过需要注意：这种方式有时反而会降低预测精度，尤其是当这些特征信息量不足时。

十二、进阶阅读

• 手动配置模型的完整教程见 docs/tutorials/timeseries/forecasting-indepth.ipynb（Manually configuring models / Hyperparameter tuning 章节）；
• 集成（Ensemble）模型（加权集成、贪心集成等）见 docs/tutorials/timeseries/forecasting-ensembles.md；
• 全部模型的单元测试（含各模型训练/预测正确性验证）位于 timeseries/tests/unittests/models/test_models.py，可作为查看各模型默认行为与最小可用示例的补充材料；
• 每个模型的完整超参数文档与默认值，均可直接在对应源码文件的类 docstring（"Other Parameters" 段）中查阅。

【免费下载链接】autogluonFast and Accurate ML in 3 Lines of Code项目地址: https://gitcode.com/GitHub_Trending/au/autogluon