[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-awslabs--gluonts":3,"tool-awslabs--gluonts":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",142651,2,"2026-04-06T23:34:12",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":77,"owner_url":78,"languages":79,"stars":101,"forks":102,"last_commit_at":103,"license":104,"difficulty_score":32,"env_os":105,"env_gpu":106,"env_ram":106,"env_deps":107,"category_tags":113,"github_topics":115,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":129,"updated_at":130,"faqs":131,"releases":159},4767,"awslabs\u002Fgluonts","gluonts","Probabilistic time series modeling in Python","GluonTS 是一个专为 Python 打造的概率时间序列建模工具包，旨在帮助开发者轻松构建基于深度学习的高精度预测模型。与传统方法仅给出单一预测值不同，GluonTS 核心解决了“不确定性量化”难题，能够输出包含置信区间的概率分布预测，让用户清晰知晓未来趋势的可能波动范围，从而在金融、零售或能源等领域做出更稳健的决策。\n\n该工具非常适合数据科学家、算法工程师及研究人员使用，尤其是那些希望快速验证深度学习时序模型（如 DeepAR、Transformer 等）的原型设计者。GluonTS 的独特亮点在于其灵活的架构设计，同时支持 PyTorch 和 MXNet 两大主流深度学习框架，并提供了丰富的预置模型与便捷的数据处理接口。用户只需几行代码即可完成从数据加载、模型训练到可视化评估的全流程。此外，项目近期还推出了 Chronos 系列预训练模型，支持零样本（zero-shot）预测，即使面对从未见过的新数据也能生成准确的概率预报，极大降低了高阶时序分析的技术门槛。","\u003Cimg class=\"hide-on-website\" height=\"100px\" src=\"https:\u002F\u002Fts.gluon.ai\u002Fdev\u002F_static\u002Fgluonts.svg\">\n\n# GluonTS - Probabilistic Time Series Modeling in Python\n\n[![PyPI](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fgluonts.svg?style=flat-square&color=b75347)](https:\u002F\u002Fpypi.org\u002Fproject\u002Fgluonts\u002F)\n[![GitHub](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fawslabs\u002Fgluonts.svg?style=flat-square&color=df7e66)](.\u002FLICENSE)\n[![Static](https:\u002F\u002Fimg.shields.io\u002Fstatic\u002Fv1?label=docs&message=stable&color=edc775&style=flat-square)](https:\u002F\u002Fts.gluon.ai\u002F)\n[![Static](https:\u002F\u002Fimg.shields.io\u002Fstatic\u002Fv1?label=docs&message=dev&color=edc775&style=flat-square)](https:\u002F\u002Fts.gluon.ai\u002Fdev\u002F)\n[![PyPI Downloads](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fawslabs_gluonts_readme_08d74b83d284.png)](https:\u002F\u002Fpepy.tech\u002Fprojects\u002Fgluonts)\n\n**📢 BREAKING NEWS**: We released **Chronos**, a suite of pretrained models for zero-shot time series forecasting. Chronos can generate accurate probabilistic predictions for new time series not seen during training. Check it out [here](https:\u002F\u002Fgithub.com\u002Famazon-science\u002Fchronos-forecasting)!\n\nGluonTS is a Python package for probabilistic time series modeling, focusing on deep learning based models,\nbased on [PyTorch](https:\u002F\u002Fpytorch.org) and [MXNet](https:\u002F\u002Fmxnet.apache.org).\n\n\n## Installation\n\nGluonTS requires Python 3.7 or newer, and the easiest way to install it is via\n`pip`:\n\n```bash\n# install with support for torch models\npip install \"gluonts[torch]\"\n\n# install with support for mxnet models\npip install \"gluonts[mxnet]\"\n```\n\nSee the [documentation](https:\u002F\u002Fts.gluon.ai\u002Fstable\u002Fgetting_started\u002Finstall.html)\nfor more info on how GluonTS can be installed.\n\n## Simple Example\n\nTo illustrate how to use GluonTS, we train a DeepAR-model and make predictions\nusing the airpassengers dataset. The dataset consists of a single time\nseries of monthly passenger numbers between 1949 and 1960. We train the model\non the first nine years and make predictions for the remaining three years.\n\n```py\nimport pandas as pd\nimport matplotlib.pyplot as plt\n\nfrom gluonts.dataset.pandas import PandasDataset\nfrom gluonts.dataset.split import split\nfrom gluonts.torch import DeepAREstimator\n\n# Load data from a CSV file into a PandasDataset\ndf = pd.read_csv(\n    \"https:\u002F\u002Fraw.githubusercontent.com\u002FAileenNielsen\u002F\"\n    \"TimeSeriesAnalysisWithPython\u002Fmaster\u002Fdata\u002FAirPassengers.csv\",\n    index_col=0,\n    parse_dates=True,\n)\ndataset = PandasDataset(df, target=\"#Passengers\")\n\n# Split the data for training and testing\ntraining_data, test_gen = split(dataset, offset=-36)\ntest_data = test_gen.generate_instances(prediction_length=12, windows=3)\n\n# Train the model and make predictions\nmodel = DeepAREstimator(\n    prediction_length=12, freq=\"M\", trainer_kwargs={\"max_epochs\": 5}\n).train(training_data)\n\nforecasts = list(model.predict(test_data.input))\n\n# Plot predictions\nplt.plot(df[\"1954\":], color=\"black\")\nfor forecast in forecasts:\n  forecast.plot()\nplt.legend([\"True values\"], loc=\"upper left\", fontsize=\"xx-large\")\nplt.show()\n```\n\n![[train-test]](https:\u002F\u002Fts.gluon.ai\u002Fstatic\u002FREADME\u002Fforecasts.png)\n\nNote, the forecasts are displayed in terms of a probability distribution and\nthe shaded areas represent the 50% and 90% prediction intervals.\n\n\n## Contributing\n\nIf you wish to contribute to the project, please refer to our\n[contribution guidelines](https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Ftree\u002Fdev\u002FCONTRIBUTING.md).\n\n## Citing\n\nIf you use GluonTS in a scientific publication, we encourage you to add the following references to the related papers,\nin addition to any model-specific references that are relevant for your work:\n\n```bibtex\n@article{gluonts_jmlr,\n  author  = {Alexander Alexandrov and Konstantinos Benidis and Michael Bohlke-Schneider\n    and Valentin Flunkert and Jan Gasthaus and Tim Januschowski and Danielle C. Maddix\n    and Syama Rangapuram and David Salinas and Jasper Schulz and Lorenzo Stella and\n    Ali Caner Türkmen and Yuyang Wang},\n  title   = {{GluonTS: Probabilistic and Neural Time Series Modeling in Python}},\n  journal = {Journal of Machine Learning Research},\n  year    = {2020},\n  volume  = {21},\n  number  = {116},\n  pages   = {1-6},\n  url     = {http:\u002F\u002Fjmlr.org\u002Fpapers\u002Fv21\u002F19-820.html}\n}\n```\n\n```bibtex\n@article{gluonts_arxiv,\n  author  = {Alexandrov, A. and Benidis, K. and Bohlke-Schneider, M. and\n    Flunkert, V. and Gasthaus, J. and Januschowski, T. and Maddix, D. C.\n    and Rangapuram, S. and Salinas, D. and Schulz, J. and Stella, L. and\n    Türkmen, A. C. and Wang, Y.},\n  title   = {{GluonTS: Probabilistic Time Series Modeling in Python}},\n  journal = {arXiv preprint arXiv:1906.05264},\n  year    = {2019}\n}\n```\n\n## Links\n\n### Documentation\n\n* [Documentation (stable)](https:\u002F\u002Fts.gluon.ai\u002Fstable\u002F)\n* [Documentation (development)](https:\u002F\u002Fts.gluon.ai\u002Fdev\u002F)\n\n### References\n\n* [JMLR MLOSS Paper](http:\u002F\u002Fwww.jmlr.org\u002Fpapers\u002Fv21\u002F19-820.html)\n* [ArXiv Paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F1906.05264)\n* [Collected Papers from the group behind GluonTS](https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Ftree\u002Fdev\u002FREFERENCES.md): a bibliography.\n\n### Tutorials and Workshops\n\n* [Tutorial at IJCAI 2021 (with videos)](https:\u002F\u002Flovvge.github.io\u002FForecasting-Tutorial-IJCAI-2021\u002F) with [YouTube link](https:\u002F\u002Fyoutu.be\u002FAB3I9pdT46c). \n* [Tutorial at WWW 2020 (with videos)](https:\u002F\u002Flovvge.github.io\u002FForecasting-Tutorial-WWW-2020\u002F)\n* [Tutorial at SIGMOD 2019](https:\u002F\u002Flovvge.github.io\u002FForecasting-Tutorials\u002FSIGMOD-2019\u002F)\n* [Tutorial at KDD 2019](https:\u002F\u002Flovvge.github.io\u002FForecasting-Tutorial-KDD-2019\u002F)\n* [Tutorial at VLDB 2018](https:\u002F\u002Flovvge.github.io\u002FForecasting-Tutorial-VLDB-2018\u002F)\n* [Neural Time Series with GluonTS](https:\u002F\u002Fyoutu.be\u002FbeEJMIt9xJ8)\n* [International Symposium of Forecasting: Deep Learning for Forecasting workshop](https:\u002F\u002Flostella.github.io\u002FISF-2020-Deep-Learning-Workshop\u002F)\n","\u003Cimg class=\"hide-on-website\" height=\"100px\" src=\"https:\u002F\u002Fts.gluon.ai\u002Fdev\u002F_static\u002Fgluonts.svg\">\n\n# GluonTS - Python中的概率时间序列建模\n\n[![PyPI](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fgluonts.svg?style=flat-square&color=b75347)](https:\u002F\u002Fpypi.org\u002Fproject\u002Fgluonts\u002F)\n[![GitHub](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fawslabs\u002Fgluonts.svg?style=flat-square&color=df7e66)](.\u002FLICENSE)\n[![Static](https:\u002F\u002Fimg.shields.io\u002Fstatic\u002Fv1?label=docs&message=stable&color=edc775&style=flat-square)](https:\u002F\u002Fts.gluon.ai\u002F)\n[![Static](https:\u002F\u002Fimg.shields.io\u002Fstatic\u002Fv1?label=docs&message=dev&color=edc775&style=flat-square)](https:\u002F\u002Fts.gluon.ai\u002Fdev\u002F)\n[![PyPI Downloads](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fawslabs_gluonts_readme_08d74b83d284.png)](https:\u002F\u002Fpepy.tech\u002Fprojects\u002Fgluonts)\n\n**📢 最新消息**: 我们发布了 **Chronos**, 一套用于零样本时间序列预测的预训练模型。Chronos 能够为训练过程中未见过的新时间序列生成准确的概率预测。请在此处查看 [Chronos](https:\u002F\u002Fgithub.com\u002Famazon-science\u002Fchronos-forecasting)！\n\nGluonTS 是一个基于 [PyTorch](https:\u002F\u002Fpytorch.org) 和 [MXNet](https:\u002F\u002Fmxnet.apache.org) 的 Python 包，专注于深度学习驱动的概率时间序列建模。\n\n## 安装\n\nGluonTS 需要 Python 3.7 或更高版本，最简单的安装方式是通过 `pip`：\n\n```bash\n# 安装支持 PyTorch 模型的版本\npip install \"gluonts[torch]\"\n\n# 安装支持 MXNet 模型的版本\npip install \"gluonts[mxnet]\"\n```\n\n更多关于如何安装 GluonTS 的信息，请参阅 [文档](https:\u002F\u002Fts.gluon.ai\u002Fstable\u002Fgetting_started\u002Finstall.html)。\n\n## 简单示例\n\n为了说明如何使用 GluonTS，我们使用航空旅客数据集训练了一个 DeepAR 模型，并进行预测。该数据集包含 1949 年至 1960 年间每月的旅客数量时间序列。我们用前九年数据训练模型，并对剩余三年的数据进行预测。\n\n```py\nimport pandas as pd\nimport matplotlib.pyplot as plt\n\nfrom gluonts.dataset.pandas import PandasDataset\nfrom gluonts.dataset.split import split\nfrom gluonts.torch import DeepAREstimator\n\n# 从 CSV 文件加载数据到 PandasDataset 中\ndf = pd.read_csv(\n    \"https:\u002F\u002Fraw.githubusercontent.com\u002FAileenNielsen\u002F\"\n    \"TimeSeriesAnalysisWithPython\u002Fmaster\u002Fdata\u002FAirPassengers.csv\",\n    index_col=0,\n    parse_dates=True,\n)\ndataset = PandasDataset(df, target=\"#Passengers\")\n\n# 将数据分为训练集和测试集\ntraining_data, test_gen = split(dataset, offset=-36)\ntest_data = test_gen.generate_instances(prediction_length=12, windows=3)\n\n# 训练模型并进行预测\nmodel = DeepAREstimator(\n    prediction_length=12, freq=\"M\", trainer_kwargs={\"max_epochs\": 5}\n).train(training_data)\n\nforecasts = list(model.predict(test_data.input))\n\n# 绘制预测结果\nplt.plot(df[\"1954\":], color=\"black\")\nfor forecast in forecasts:\n  forecast.plot()\nplt.legend([\"真实值\"], loc=\"upper left\", fontsize=\"xx-large\")\nplt.show()\n```\n\n![[train-test]](https:\u002F\u002Fts.gluon.ai\u002Fstatic\u002FREADME\u002Fforecasts.png)\n\n请注意，预测以概率分布的形式展示，阴影区域表示 50% 和 90% 的预测区间。\n\n## 贡献\n\n如果您希望为该项目做出贡献，请参阅我们的 [贡献指南](https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Ftree\u002Fdev\u002FCONTRIBUTING.md)。\n\n## 引用\n\n如果您在科学出版物中使用 GluonTS，除了与您的工作相关的特定模型引用外，我们鼓励您在相关论文中添加以下参考文献：\n\n```bibtex\n@article{gluonts_jmlr,\n  author  = {Alexander Alexandrov and Konstantinos Benidis and Michael Bohlke-Schneider\n    and Valentin Flunkert and Jan Gasthaus and Tim Januschowski and Danielle C. Maddix\n    and Syama Rangapuram and David Salinas and Jasper Schulz and Lorenzo Stella and\n    Ali Caner Türkmen and Yuyang Wang},\n  title   = {{GluonTS: Probabilistic and Neural Time Series Modeling in Python}},\n  journal = {Journal of Machine Learning Research},\n  year    = {2020},\n  volume  = {21},\n  number  = {116},\n  pages   = {1-6},\n  url     = {http:\u002F\u002Fjmlr.org\u002Fpapers\u002Fv21\u002F19-820.html}\n}\n```\n\n```bibtex\n@article{gluonts_arxiv,\n  author  = {Alexandrov, A. and Benidis, K. and Bohlke-Schneider, M. and\n    Flunkert, V. and Gasthaus, J. and Januschowski, T. and Maddix, D. C.\n    and Rangapuram, S. and Salinas, D. and Schulz, J. and Stella, L. and\n    Türkmen, A. C. and Wang, Y.},\n  title   = {{GluonTS: Probabilistic Time Series Modeling in Python}},\n  journal = {arXiv preprint arXiv:1906.05264},\n  year    = {2019}\n}\n```\n\n## 链接\n\n### 文档\n\n* [文档（稳定版）](https:\u002F\u002Fts.gluon.ai\u002Fstable\u002F)\n* [文档（开发版）](https:\u002F\u002Fts.gluon.ai\u002Fdev\u002F)\n\n### 参考文献\n\n* [JMLR MLOSS 论文](http:\u002F\u002Fwww.jmlr.org\u002Fpapers\u002Fv21\u002F19-820.html)\n* [ArXiv 论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F1906.05264)\n* [GluonTS 团队收集的论文](https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Ftree\u002Fdev\u002FREFERENCES.md): 一份参考文献列表。\n\n### 教程和研讨会\n\n* [IJCAI 2021 教程（附视频）](https:\u002F\u002Flovvge.github.io\u002FForecasting-Tutorial-IJCAI-2021\u002F)，[YouTube 链接](https:\u002F\u002Fyoutu.be\u002FAB3I9pdT46c)。\n* [WWW 2020 教程（附视频）](https:\u002F\u002Flovvge.github.io\u002FForecasting-Tutorial-WWW-2020\u002F)\n* [SIGMOD 2019 教程](https:\u002F\u002Flovvge.github.io\u002FForecasting-Tutorials\u002FSIGMOD-2019\u002F)\n* [KDD 2019 教程](https:\u002F\u002Flovvge.github.io\u002FForecasting-Tutorial-KDD-2019\u002F)\n* [VLDB 2018 教程](https:\u002F\u002Flovvge.github.io\u002FForecasting-Tutorial-VLDB-2018\u002F)\n* [使用 GluonTS 进行神经时间序列建模](https:\u002F\u002Fyoutu.be\u002FbeEJMIt9xJ8)\n* [国际预测研讨会：深度学习预测研讨会](https:\u002F\u002Flostella.github.io\u002FISF-2020-Deep-Learning-Workshop\u002F)","# GluonTS 快速上手指南\n\nGluonTS 是一个用于概率时间序列建模的 Python 库，专注于基于深度学习的方法（支持 PyTorch 和 MXNet 后端）。它能够帮助开发者轻松构建、训练和预测时间序列模型，并提供概率分布形式的预测结果。\n\n## 环境准备\n\n*   **操作系统**：Linux, macOS, Windows\n*   **Python 版本**：3.7 或更高\n*   **前置依赖**：\n    *   建议先安装 `pip` 包管理工具。\n    *   根据需求选择深度学习框架：**PyTorch** 或 **MXNet**（本指南以目前更主流的 PyTorch 为例）。\n*   **国内加速建议**：\n    在中国大陆地区，建议使用清华或阿里云镜像源加速安装过程。\n\n## 安装步骤\n\n### 1. 配置 pip 镜像源（可选但推荐）\n临时使用清华镜像源进行安装：\n\n```bash\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple \"gluonts[torch]\"\n```\n\n若需永久配置，可将以下内容写入 `~\u002F.config\u002Fpip\u002Fpip.conf` (Linux\u002FMac) 或 `%APPDATA%\\pip\\pip.ini` (Windows)：\n\n```ini\n[global]\nindex-url = https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 2. 安装 GluonTS\n\n**选项 A：安装支持 PyTorch 的版本（推荐）**\n```bash\npip install \"gluonts[torch]\"\n```\n\n**选项 B：安装支持 MXNet 的版本**\n```bash\npip install \"gluonts[mxnet]\"\n```\n\n> **注意**：如果系统未预先安装 PyTorch 或 MXNet，上述命令会自动安装对应的基础框架。\n\n## 基本使用\n\n以下示例演示如何使用 GluonTS 加载经典的“航空乘客”数据集，训练一个 **DeepAR** 模型，并对未来 12 个月的数据进行概率预测。\n\n### 代码示例\n\n```py\nimport pandas as pd\nimport matplotlib.pyplot as plt\n\nfrom gluonts.dataset.pandas import PandasDataset\nfrom gluonts.dataset.split import split\nfrom gluonts.torch import DeepAREstimator\n\n# 1. 加载数据\n# 从 CSV 文件加载数据到 PandasDataset\ndf = pd.read_csv(\n    \"https:\u002F\u002Fraw.githubusercontent.com\u002FAileenNielsen\u002F\"\n    \"TimeSeriesAnalysisWithPython\u002Fmaster\u002Fdata\u002FAirPassengers.csv\",\n    index_col=0,\n    parse_dates=True,\n)\ndataset = PandasDataset(df, target=\"#Passengers\")\n\n# 2. 划分训练集和测试集\n# 使用前 9 年数据训练，最后 3 年数据测试\ntraining_data, test_gen = split(dataset, offset=-36)\ntest_data = test_gen.generate_instances(prediction_length=12, windows=3)\n\n# 3. 定义并训练模型\n# 设置预测长度为 12 个月，频率为月度 (\"M\")，最大训练轮数为 5\nmodel = DeepAREstimator(\n    prediction_length=12, freq=\"M\", trainer_kwargs={\"max_epochs\": 5}\n).train(training_data)\n\n# 4. 进行预测\nforecasts = list(model.predict(test_data.input))\n\n# 5. 可视化结果\nplt.plot(df[\"1954\":], color=\"black\")\nfor forecast in forecasts:\n  forecast.plot()\nplt.legend([\"True values\"], loc=\"upper left\", fontsize=\"xx-large\")\nplt.show()\n```\n\n### 结果说明\n运行上述代码后，将弹出一个图表：\n*   **黑线**：代表真实的历史数据。\n*   **阴影区域**：代表预测的概率分布区间（通常为 50% 和 90% 的置信区间），体现了模型对不确定性的量化能力。","某大型连锁零售企业的供应链团队需要预测未来三个月各门店的每日商品销量，以优化库存水位并降低缺货风险。\n\n### 没有 gluonts 时\n- **缺乏不确定性量化**：传统模型仅输出单一预测值，无法告知管理层销量的波动范围，导致备货策略要么过于保守造成积压，要么过于激进引发缺货。\n- **建模门槛高且重复造轮子**：数据科学家需从零编写复杂的深度学习代码（如 DeepAR 或 Transformer 变体）来实现概率预测，开发周期长达数周。\n- **难以处理多序列并发**：面对成千上万个 SKU 的销售数据，手动构建数据管道极其繁琐，难以高效地同时训练和评估大量时间序列模型。\n- **结果解释性差**：生成的预测结果缺乏置信区间可视化，业务部门难以直观理解风险等级，导致决策信任度低。\n\n### 使用 gluonts 后\n- **原生支持概率分布输出**：gluonts 直接提供包含 50% 和 90% 置信区间的预测分布，团队能清晰看到销量波动的上下限，从而制定更灵活的动态补货策略。\n- **开箱即用的预置模型**：借助 gluonts 内置的 DeepAR 等先进算法，工程师只需几行代码即可完成从数据加载到模型训练的全流程，将原型开发时间缩短至几天。\n- **高效的多序列处理能力**：通过标准化的数据集接口，gluonts 轻松并行处理全量门店与 SKU 的历史数据，显著提升了大规模预测任务的执行效率。\n- **直观的可视化分析**：利用内置绘图功能，可直接生成带有阴影区间的预测图表，让非技术背景的管理者一眼看懂潜在风险，加速决策落地。\n\ngluonts 通过将复杂的概率时间序列建模标准化和简化，帮助企业从“猜数字”转向基于风险量化的科学决策。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fawslabs_gluonts_aafd1861.png","awslabs","Amazon Web Services - Labs","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fawslabs_9e60acf8.png","AWS Labs",null,"http:\u002F\u002Famazon.com\u002Faws\u002F","https:\u002F\u002Fgithub.com\u002Fawslabs",[80,84,88,92,95,99],{"name":81,"color":82,"percentage":83},"Python","#3572A5",87.7,{"name":85,"color":86,"percentage":87},"Jupyter Notebook","#DA5B0B",11.9,{"name":89,"color":90,"percentage":91},"R","#198CE7",0.2,{"name":93,"color":94,"percentage":91},"Shell","#89e051",{"name":96,"color":97,"percentage":98},"Just","#384d54",0,{"name":100,"color":97,"percentage":98},"Dockerfile",5157,813,"2026-04-06T14:23:53","Apache-2.0","","未说明",{"notes":108,"python":109,"dependencies":110},"该工具支持基于 PyTorch 或 MXNet 的模型，用户需根据需求选择安装 'gluonts[torch]' 或 'gluonts[mxnet]'。README 中未明确指定操作系统、GPU 型号、显存大小、CUDA 版本及具体内存需求。","3.7+",[111,112],"torch","mxnet",[16,114,14],"其他",[116,117,118,119,120,121,122,112,123,124,125,126,127,128,111],"time-series","deep-learning","forecasting","neural-networks","machine-learning","time-series-prediction","time-series-forecasting","pytorch","aws","sagemaker","timeseries","artificial-intelligence","data-science","2026-03-27T02:49:30.150509","2026-04-07T09:50:18.149390",[132,137,142,147,151,155],{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},21644,"使用 DeepAR 模型处理间歇性计数序列（如销量为 0-4）时，预测值异常偏高甚至达到数百，应该如何解决？","这通常是由输入数据中的协变量（covariates）包含缺失值导致的。DeepAR 模型可以直接处理目标值（target）中的缺失值（编码为 NaN），但协变量必须由用户预先进行插补（impute）处理，不能包含缺失值。请检查并移除或填充含有缺失值的协变量后重新训练。此外，确保启用了默认的缩放（scaling）功能，这有助于改善预测结果的合理性。","https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fissues\u002F636",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},21645,"在使用 D-Linear 模型进行预测时遇到 'Forecast contains NaN values' 错误，但输入数据中没有 NaN，该如何排查？","该问题可能与特定的 GPU 环境配置有关。有用户反馈在 CPU 环境下运行相同的代码不会出现此错误，而在 GPU 环境下会出现 NaN。建议尝试切换到 CPU 执行模式以验证是否为环境问题。如果必须在 GPU 上运行，请检查 CUDA 版本、PyTorch 版本以及显存状态，或尝试更新 GluonTS 到最新版本以获取潜在的修复。","https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fissues\u002F2897",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},21646,"在训练过程中设置 num_workers > 1 时出现 CUDA 初始化错误或进程无法关闭的问题，有什么解决方案？","GluonTS 后续版本中已移除了多进程数据加载器（multiprocessing data loader），因为其在某些场景下（特别是结合 CUDA 使用时）会导致不稳定。如果遇到此类问题，建议将 `num_workers` 设置为 0。如果必须处理大量数据集需要并行训练，推荐的做法是为每组数据单独创建一个进程来运行训练脚本，而不是在单个训练任务内部使用多进程加载数据。","https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fissues\u002F941",{"id":148,"question_zh":149,"answer_zh":150,"source_url":136},21647,"DeepAR 模型是否支持直接处理包含缺失值的时间序列数据？是否需要预先插补？","对于目标值（target），DeepAR 原生支持缺失值，无需预先插补，只需将缺失值编码为 `NaN` 即可，模型会自动处理。但是，对于协变量（covariates，包括静态特征和动态特征），模型不支持缺失值，用户必须在训练前自行对协变量中的缺失值进行插补处理，否则可能导致训练失败或预测异常。",{"id":152,"question_zh":153,"answer_zh":154,"source_url":146},21648,"使用多进程（num_workers > 1）训练时程序变慢或出现进程僵死，是否有优化建议？","使用 `spawn` 方式启动多进程可能会导致程序启动变慢或资源竞争。如果在评估器（Evaluator）中设置 `num_workers=0` 可以正常运行，但在估计器（Estimator）训练中设置 `num_workers>1` 导致进程无法关闭，这通常是多进程加载器的已知限制。最佳实践是避免在单任务内使用高数值的 `num_workers`，或者采用外部并行策略：即通过脚本启动多个独立的训练进程，每个进程处理一部分数据，而不是依赖内部的多进程数据加载机制。",{"id":156,"question_zh":157,"answer_zh":158,"source_url":141},21649,"在 GPU 环境下复现不出 D-Linear 模型的 NaN 错误，但在特定环境下会出现，如何定位原因？","由于该问题难以在所有环境中复现，且仅在特定 GPU 配置下影响 D-Linear 模型，建议首先隔离环境变量。可以尝试创建一个纯净的 CPU -only 环境运行代码，若正常则确认为 GPU 相关路径的问题。检查点包括：PyTorch 与 CUDA 版本的兼容性、显卡驱动版本、以及是否开启了混合精度训练等特定标志。如果无法自行定位根因，临时解决方案是强制在 CPU 上运行该模型的推理或训练步骤。",[160,165,170,175,180,185,190,195,200,204,209,214,219,224,228,233,238,242,247,252],{"id":161,"version":162,"summary_zh":163,"released_at":164},127688,"v0.16.2","## 变更内容\n- 使 TFTInstanceSplitter 中的 observed_value_field 成为可选参数 #3259，由 @abdulfatir 提交\n- 限制 rpy2 的版本 #3261，由 @lostella 提交\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fcompare\u002Fv0.16.1...v0.16.2","2025-06-27T12:02:05",{"id":166,"version":167,"summary_zh":168,"released_at":169},127689,"v0.16.1","## 变更内容\n\n- 允许为 DL 模型禁用缩放器 #3251，作者：@shchur\n- 升级文档依赖项 #3252，作者：@lostella\n- 在 PandasDataset 中的 DataFrame.groupby 内部设置 observed=True，以消除 FutureWarning 警告 #3254，作者：@shchur\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fcompare\u002Fv0.16.0...v0.16.1","2025-04-08T14:12:49",{"id":171,"version":172,"summary_zh":173,"released_at":174},127690,"v0.16.0","## 新特性与改进\n* PatchTST：由 @rshyamsundar 在 https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fpull\u002F3167 中添加对动态特征的支持\n\n## 修复\n* 修复数据集中的频率字符串问题，由 @lostella 在 #3232 中完成\n\n## 文档\n* 添加来自 PR 2748 的模型卡片，由 @robert501128 在 https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fpull\u002F3180 中完成\n\n## 依赖更新\n* 提升 PyTorch Lightning 的兼容版本，由 @lostella 在 https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fpull\u002F3195 中完成\n* 更新：在 pts 模块中导入 gluonts 的相关模块，由 @ClaraGrthns 在 https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fpull\u002F3194 中完成\n* 将 \u002Fsrc\u002Fgluonts\u002Fnursery\u002Fdaf 中的 PyTorch 版本从 1.13.1 升级至 2.2.0，由 @dependabot 在 https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fpull\u002F3204 中完成\n* 升级 nursery 模块中的依赖项，由 @lostella 在 https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fpull\u002F3206 中完成\n* 提升 numpy 和 lightning 的依赖版本范围，由 @shchur 在 https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fpull\u002F3226 中完成\n* 忽略测试工作流中的 cpflows 依赖，并修复 numpy 2 的不兼容问题，由 @lostella 在 https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fpull\u002F3227 中完成\n* 更新 gluonts.shell 的依赖要求，由 @lostella 在 #3233 中完成\n\n## 测试\n* 从工作流中移除 Python 3.8，改为在 3.11 上运行，由 @lostella 在 #3228 中完成\n\n## 新贡献者\n* @robert501128 在 https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fpull\u002F3180 中完成了首次贡献\n* @ClaraGrthns 在 https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fpull\u002F3194 中完成了首次贡献\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fcompare\u002Fv0.15.1...v0.16.0","2024-11-11T08:50:41",{"id":176,"version":177,"summary_zh":178,"released_at":179},127691,"v0.16.0rc1","\u003C!-- \n## 变更内容\n* 文档：由 @lostella 在 https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fpull\u002F3188 中修复自定义 PyTorch 模型教程\n* 提升 PyTorch Lightning 兼容性：由 @lostella 在 https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fpull\u002F3195 中完成\n* 更新：在 pts 模块中导入 gluonts 的相关模块，由 @ClaraGrthns 在 https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fpull\u002F3194 中完成\n* 将 \u002Fsrc\u002Fgluonts\u002Fnursery\u002Fdaf 中的 PyTorch 版本从 1.13.1 升级到 2.2.0：由 @dependabot 在 https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fpull\u002F3204 中完成\n* 在 nursery 中升级依赖项：由 @lostella 在 https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fpull\u002F3206 中完成\n* 提升 numpy 和 lightning 的依赖版本范围：由 @shchur 在 https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fpull\u002F3226 中完成\n* 在测试工作流中忽略 cpflows 的依赖，并修复 numpy 2 不兼容问题：由 @lostella 在 https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fpull\u002F3227 中完成\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fcompare\u002Fv0.15.1...v0.16.0rc1 \n-->","2024-10-21T13:11:57",{"id":181,"version":182,"summary_zh":183,"released_at":184},127692,"v0.15.1","后向移植修复：\n- 修复模型的输入路由错误 #3186（由 @shchur 提供）\n- 文档：修复自定义 PyTorch 模型教程 #3188（由 @lostella 提供）\n- 为 TiDE 模型启用 QuantileOutput 功能 #3189（由 @shchur 提供）","2024-06-03T07:20:06",{"id":186,"version":187,"summary_zh":188,"released_at":189},127693,"v0.15.0","## 新特性\n- 添加 iTransformer 多变量预测器 (#3017)，由 @kashif 贡献\n- 添加 TiDE 模型 (#3096)，由 @maxc01 贡献\n- 添加 ERCOT 数据集 (#3148)，由 @lostella 贡献\n- 添加 ETT 数据集 (#3149)，由 @lostella 贡献\n- 为 ERCOT 和 ETT 数据集添加 item_id 字段 (#3150)，由 @shchur 贡献\n- 添加季节性聚合预测器 (#3162)，由 @rshyamsundar 贡献\n\n## 模型更新\n- 在 SeasonalNaivePredictor 中增加提供 season_length 函数的选项 (#3033)，由 @lostella 贡献\n- R：添加带有外生回归量的 ARI 方法 (#3086)，由 @leica2023 贡献\n\n## 破坏性变更\n- ev：批量数据以加快评估速度 (#3051)，由 @lostella 贡献\n- 统一 QuantileOutput 和 DistributionOutput (#3093)，由 @shchur 贡献\n- Rotbaum：改为基于 JSON 的序列化 (#3176)，由 @lostella 贡献\n\n## 修复\n- 修复与 Pandas 新偏移量名称相关的问题 (#3117)，由 @lostella 贡献\n- 修复 M5 数据集加载器 (#3151)，由 @shchur 贡献\n- 修复 M5 和 ETT 数据集加载器 (#3155)，由 @shchur 贡献\n- 修复 M5 数据集的 item_id (#3156)，由 @shchur 贡献\n- Serde：限制解码代码的执行 (#3175)，由 @lostella 贡献\n\n## 依赖项\n- Nursery：在 gluonts.nursery.tsbench 中提升 pyarrow 的版本要求 (#3056)，由 @lostella 贡献\n- 将 \u002Fsrc\u002Fgluonts\u002Fnursery\u002Fdaf 中的 scikit-learn 从 0.23.2 升级到 1.0.1 (#3118)，由 @dependabot 贡献\n- 提升 nursery 子包中的 sklearn 版本 (#3120)，由 @lostella 贡献\n- 为解决 dependabot 警报而提升依赖项版本 (#3173)，由 @lostella 贡献\n- 再次为解决 dependabot 警报而提升依赖项版本 (#3174)，由 @lostella 贡献\n\n## 其他变更\n- 更新 Dockerfile 中的 Python 版本至 3.8 (#3072)，由 @melopeo 贡献\n- 更新 REFERENCES.md (#3078)，由 @abdulfatir 贡献\n- CI：在推送时运行 R 测试 (#3089)，由 @lostella 贡献\n- CI：串联依赖项以确保兼容性 (#3112)，由 @Borda 贡献\n- 测试：统一使用 @pytest.mark.flaky(...) 并升级 pytest 插件 (#3132)，由 @Borda 贡献\n- 添加 Chronos 突发新闻 (#3154)，由 @abdulfatir 贡献\n- 代码风格检查：冻结并运行 Black 24.02 版本 (#3131)，由 @Borda 贡献\n- CI：更新代码风格检查工具 Ruff 和 docformatter (#3130)，由 @Borda 贡献\n- 扩展 Pandas 频率的测试覆盖率 (#3179)，由 @shchur 贡献\n- 测试：对 fourier.arima.xreg 进行 xfail 测试 (#3182)，由 @lostella 贡献\n","2024-05-27T13:17:52",{"id":191,"version":192,"summary_zh":193,"released_at":194},127694,"v0.14.4","后向移植修复：\n- 修复 PyTorchPredictor 中 device 的类型注解 #3094，由 @lostella 提供\n- 扩展针对无效 offset_name 的异常处理 #3115，由 @Borda 提供","2024-02-02T12:37:28",{"id":196,"version":197,"summary_zh":198,"released_at":199},127695,"v0.14.3","后向移植：\n- 修复 Rotbaum 的序列化和反序列化问题 #3068，由 @pantanurag555 完成\n- 修复 Rotbaum 对短序列的处理问题 #3073，由 @leica2023 完成","2023-12-07T09:10:03",{"id":201,"version":202,"summary_zh":198,"released_at":203},127696,"v0.13.9","2023-12-07T09:04:56",{"id":205,"version":206,"summary_zh":207,"released_at":208},127697,"v0.14.2","后向移植修复：\n- 修复 iterable.Cached。#3060，由 @jaheba 提交\n- Torch：移除数据集的双重缓存。#3061，由 @jaheba 提交","2023-11-27T10:58:11",{"id":210,"version":211,"summary_zh":212,"released_at":213},127698,"v0.14.1","Backporting fixes:\r\n- Fix edge cases in metric computation #3037 (@lostella)\r\n- Refactor tests for ev.aggregations #3038 (@lostella)\r\n- Add plt.show() to README #3043 (@lostella)\r\n- Rotbaum: Add item-id to forecast. #3049 (@jaheba)\r\n- Fix mypy checks #3052 (@lostella)","2023-11-14T11:08:46",{"id":215,"version":216,"summary_zh":217,"released_at":218},127699,"v0.13.8","Backporting fixes:\r\n- Fix edge cases in metric computation #3037 (@lostella)\r\n- Refactor tests for ev.aggregations #3038 (@lostella)\r\n- Rotbaum: Add item-id to forecast. #3049 (@jaheba)\r\n- Fix mypy checks #3052 (@lostella)","2023-11-14T11:07:25",{"id":220,"version":221,"summary_zh":222,"released_at":223},127700,"v0.14.0","See full diff here: https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fcompare\u002Fv0.13.0...v0.14.0\r\n\r\n## Breaking changes\r\n\r\n* Simplify plotting of forecasts. [#2864](https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fpull\u002F2864)\r\n* Breaking: change num_output with quantiles in TFT (mxnet) [#2879](https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fpull\u002F2879)\r\n* DeepVARHierarchicalEstimator: Remove target_dim parameter. [#2889](https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fpull\u002F2889)\r\n* Rework maybe.Maybe to use a boxed container. [#2900](https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fpull\u002F2900)\r\n* Rework ev. [#2914](https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fpull\u002F2914)\r\n* gluonts.ev: Rework exports. [#2928](https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fpull\u002F2928)\r\n* Remove freq argument in SeasonalNaivePredictor [#2932](https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fpull\u002F2932)\r\n* Remove freq argument from naive2 [#2935](https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fpull\u002F2935)\r\n* Simplify PyTorchPredictor serde [#2965](https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fpull\u002F2965)\r\n* Move QuantizeScaled from Wavenet to gluonts.transform, rename to QuantizeMeanScaled [#2975](https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fpull\u002F2975)\r\n* Change torch state_dict file name to prediction-net-state.pt [#2985](https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fpull\u002F2985)\r\n* Remove freq attribute from NPTS [#3009](https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fgluonts\u002Fpull\u002F3009)","2023-10-27T13:38:49",{"id":225,"version":226,"summary_zh":76,"released_at":227},127701,"v0.14.0rc2","2023-10-27T08:29:35",{"id":229,"version":230,"summary_zh":231,"released_at":232},127702,"v0.13.7","Fixing issues with updated requirements, which would prevent the package from installing alongside old versions of PyTorch Lightning:\r\n- Fix lightning import (#3018 by @shchur)\r\n- Update requirements-pytorch.txt (#3019 by @shchur)\r\n","2023-10-18T09:33:52",{"id":234,"version":235,"summary_zh":236,"released_at":237},127703,"v0.13.6","Backporting fixes:\r\n- [torch] Return a model even if callback has no best model path #2952 by @kashif \r\n- Move from pytorch_lightning to lightning #3013 by @shchur ","2023-10-16T14:01:32",{"id":239,"version":240,"summary_zh":76,"released_at":241},127704,"v0.14.0rc1","2023-10-16T14:17:37",{"id":243,"version":244,"summary_zh":245,"released_at":246},127705,"v0.13.5","Backporting fixes:\r\n- Raise warning in QuantileForecast.mean when mean is not there #2843 by @lostella \r\n- [R] Bug fix for running R methods via ParallelizedPredictor #2983 by @rshyamsundar \r\n- Fix Forecast plot method #3006 by @lostella ","2023-09-18T08:38:47",{"id":248,"version":249,"summary_zh":250,"released_at":251},127706,"v0.13.4","Backporting fixes:\r\n- Turn type comparison into isinstance #2958 by @lostella \r\n- Fix Cython version in XGBoost tests #2966 by @lostella \r\n- Clean up RepresentablePredictor #2967 by @lostella \r\n- Fix: use isinstance instead of type comparison #2973 by @melopeo  \r\n- Fix ArrowDecoder.decode to return instead of yield #2976 by @lostella \r\n- Unpin pyarrow version #2977 by @lostella ","2023-08-25T07:53:54",{"id":253,"version":254,"summary_zh":255,"released_at":256},127707,"v0.13.3","Backporting fixes:\r\n- Zebras: Fix index handling of SplitFrame.resize. #2938 by @jaheba \r\n- Docs: fix missing values use-case in tutorial for PandasDataset #2941 by @cneely33 \r\n- Ignore F403 errors in preludes. #2948 by @jaheba \r\n- Fix: prevent accumulation of SelectFields in PyTorchPredictor #2951 by @Cameronwood611 \r\n- [Docs] fix link to NPTS implementation #2953 by @lostella ","2023-08-07T13:55:33"]