[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-cure-lab--LTSF-Linear":3,"tool-cure-lab--LTSF-Linear":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",158594,2,"2026-04-16T23:34:05",[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。",108322,"2026-04-10T11:39:34",[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},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"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],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":75,"owner_location":75,"owner_email":75,"owner_twitter":75,"owner_website":75,"owner_url":76,"languages":77,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":32,"env_os":90,"env_gpu":90,"env_ram":90,"env_deps":91,"category_tags":99,"github_topics":100,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":111,"updated_at":112,"faqs":113,"releases":144},8192,"cure-lab\u002FLTSF-Linear","LTSF-Linear","[AAAI-23 Oral] Official implementation of the paper \"Are Transformers Effective for Time Series Forecasting?\"","LTSF-Linear 是一个专注于长时序预测的开源工具包，源自 AAAI 2023 口头报告论文《Transformer 真的擅长时序预测吗？》。它核心解决了一个关键问题：在长序列预测任务中，结构复杂的 Transformer 模型往往表现不如预期，甚至被简单的线性模型超越。\n\n该工具主要面向 AI 研究人员和数据科学家，帮助他们重新审视模型复杂度与预测效果之间的关系，并提供高效的基准实现。LTSF-Linear 的独特亮点在于其“化繁为简”的设计理念，包含三个核心变体：仅含单层的 Linear 模型、通过分解趋势与季节性来提升效果的 DLinear，以及利用归一化处理数据分布偏移的 NLinear。实验证明，这些简单的线性结构在多个基准数据集上均优于 Informer、Autoformer 等主流 Transformer 架构。\n\n除了提出新模型，该项目还集成了五种经典 Transformer 模型的复现代码，并提供了完整的长时序预测基准测试脚本，支持单变量与多变量预测、回溯窗口分析及权重可视化。无论是希望探索高效预测算法的研究者，还是需要在实际业务中部署轻量级模型的开发者，LTS","LTSF-Linear 是一个专注于长时序预测的开源工具包，源自 AAAI 2023 口头报告论文《Transformer 真的擅长时序预测吗？》。它核心解决了一个关键问题：在长序列预测任务中，结构复杂的 Transformer 模型往往表现不如预期，甚至被简单的线性模型超越。\n\n该工具主要面向 AI 研究人员和数据科学家，帮助他们重新审视模型复杂度与预测效果之间的关系，并提供高效的基准实现。LTSF-Linear 的独特亮点在于其“化繁为简”的设计理念，包含三个核心变体：仅含单层的 Linear 模型、通过分解趋势与季节性来提升效果的 DLinear，以及利用归一化处理数据分布偏移的 NLinear。实验证明，这些简单的线性结构在多个基准数据集上均优于 Informer、Autoformer 等主流 Transformer 架构。\n\n除了提出新模型，该项目还集成了五种经典 Transformer 模型的复现代码，并提供了完整的长时序预测基准测试脚本，支持单变量与多变量预测、回溯窗口分析及权重可视化。无论是希望探索高效预测算法的研究者，还是需要在实际业务中部署轻量级模型的开发者，LTSF-Linear 都提供了极具参考价值的代码基础与理论依据。","# Are Transformers Effective for Time Series Forecasting? (AAAI 2023)\r\n\r\nThis repo is the official Pytorch implementation of LTSF-Linear: \"[Are Transformers Effective for Time Series Forecasting?](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2205.13504.pdf)\". \r\n\r\n\r\n## Updates\r\n- [2024\u002F01\u002F28] Our model has been included in [NeuralForecast](https:\u002F\u002Fgithub.com\u002FNixtla\u002Fneuralforecast). Special thanks to the contributor [@cchallu](https:\u002F\u002Fgithub.com\u002Fcchallu)!\r\n- [2022\u002F11\u002F23] Accepted to AAAI 2023 with three strong accept! We also release a **[benchmark for long-term time series forecasting](LTSF-Benchmark.md)** for further research.\r\n- [2022\u002F08\u002F25] We update our [paper](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2205.13504.pdf) with comprehensive analyses on why existing LTSF-Transformers do not work well on the LTSF problem!\r\n- [2022\u002F08\u002F25] Besides DLinear, we're excited to add two Linear models to the paper and this repo. Now we have an LTSF-Linear family!\r\n  - Linear: Just one linear layer.\r\n  - DLinear: Decomposition Linear to handle data with trend and seasonality patterns.\r\n  - NLinear: A Normalized Linear to deal with train-test set distribution shifts. See section 'LTSF-Linear' for more details. \r\n\r\n- [2022\u002F08\u002F25] We update some scripts of LTSF-Linear. \r\n  - Linear, NLinear, and DLinear use the same scripts.\r\n  - Some results of DLinear are slightly different now.\r\n\r\n\r\n\r\n## Features\r\n- [x] Add a [benchmark](LTSF-Benchmark.md) for long-term time series forecasting.\r\n- [x] Support both [Univariate](https:\u002F\u002Fgithub.com\u002Fcure-lab\u002FDLinear\u002Ftree\u002Fmain\u002Fscripts\u002FEXP-LongForecasting\u002FDLinear\u002Funivariate) and [Multivariate](https:\u002F\u002Fgithub.com\u002Fcure-lab\u002FDLinear\u002Ftree\u002Fmain\u002Fscripts\u002FEXP-LongForecasting\u002FDLinear) long-term time series forecasting.\r\n- [x] Support visualization of weights.\r\n- [x] Support scripts on different [look-back window size](https:\u002F\u002Fgithub.com\u002Fcure-lab\u002FDLinear\u002Ftree\u002Fmain\u002Fscripts\u002FEXP-LookBackWindow).\r\n\r\nBesides LTSF-Linear, we provide five significant forecasting Transformers to re-implement the results in the paper.\r\n- [x] [Transformer](https:\u002F\u002Farxiv.org\u002Fabs\u002F1706.03762) (NeuIPS 2017)\r\n- [x] [Informer](https:\u002F\u002Farxiv.org\u002Fabs\u002F2012.07436) (AAAI 2021 Best paper)\r\n- [x] [Autoformer](https:\u002F\u002Farxiv.org\u002Fabs\u002F2106.13008) (NeuIPS 2021)\r\n- [x] [Pyraformer](https:\u002F\u002Fopenreview.net\u002Fpdf?id=0EXmFzUn5I) (ICLR 2022 Oral)\r\n- [x] [FEDformer](https:\u002F\u002Farxiv.org\u002Fabs\u002F2201.12740) (ICML 2022)\r\n\r\n\r\n## Detailed Description\r\nWe provide all experiment script files in `.\u002Fscripts`:\r\n| Files      |                              Interpretation                          |\r\n| ------------- | -------------------------------------------------------| \r\n| EXP-LongForecasting      | Long-term Time Series Forecasting Task                    |\r\n| EXP-LookBackWindow      | Study the impact of different look-back window sizes   | \r\n| EXP-Embedding        | Study the effects of different embedding strategies      |\r\n\r\n\r\nThis code is simply built on the code base of Autoformer. We appreciate the following GitHub repos a lot for their valuable code base or datasets:\r\n\r\nThe implementation of Autoformer, Informer, and Transformer is from https:\u002F\u002Fgithub.com\u002Fthuml\u002FAutoformer\r\n\r\nThe implementation of FEDformer is from https:\u002F\u002Fgithub.com\u002FMAZiqing\u002FFEDformer\r\n\r\nThe implementation of Pyraformer is from https:\u002F\u002Fgithub.com\u002Falipay\u002FPyraformer\r\n\r\n## LTSF-Linear\r\n### LTSF-Linear family\r\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcure-lab_LTSF-Linear_readme_a13994c42c10.png)\r\nLTSF-Linear is a set of linear models. \r\n- Linear: It is just a one-layer linear model, but it outperforms Transformers.\r\n- NLinear: **To boost the performance of Linear when there is a distribution shift in the dataset**, NLinear first subtracts the input by the last value of the sequence. Then, the input goes through a linear layer, and the subtracted part is added back before making the final prediction. The subtraction and addition in NLinear are a simple normalization for the input sequence.\r\n- DLinear: It is a combination of a Decomposition scheme used in Autoformer and FEDformer with linear layers. It first decomposes a raw data input into a trend component by a moving average kernel and a remainder (seasonal) component. Then, two one-layer linear layers are applied to each component and we sum up the two features to get the final prediction. By explicitly handling trend, **DLinear enhances the performance of a vanilla linear when there is a clear trend in the data.** \r\n\r\nAlthough LTSF-Linear is simple, it has some compelling characteristics:\r\n- An O(1) maximum signal traversing path length: The shorter the path, the better the dependencies are captured, making LTSF-Linear capable of capturing both short-range and long-range temporal relations.\r\n- High-efficiency: As each branch has only one linear layer, it costs much lower memory and fewer parameters and has a faster inference speed than existing Transformers.\r\n- Interpretability: After training, we can visualize weights to have some insights into the predicted values.\r\n- Easy-to-use: LTSF-Linear can be obtained easily without tuning model hyper-parameters.\r\n\r\n### Comparison with Transformers\r\nUnivariate Forecasting:\r\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcure-lab_LTSF-Linear_readme_6e11f25a0d71.png)\r\nMultivariate Forecasting:\r\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcure-lab_LTSF-Linear_readme_9d0316a5f242.png)\r\nLTSF-Linear outperforms all transformer-based methods by a large margin.\r\n\r\n### Efficiency\r\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcure-lab_LTSF-Linear_readme_1896634b5a7d.png)\r\nComparison of method efficiency with Look-back window size 96 and Forecasting steps 720 on Electricity. MACs are the number of multiply-accumulate operations. We use DLinear for comparison since it has the double cost in LTSF-Linear. The inference time averages 5 runs.\r\n\r\n## Getting Started\r\n### Environment Requirements\r\n\r\nFirst, please make sure you have installed Conda. Then, our environment can be installed by:\r\n```\r\nconda create -n LTSF_Linear python=3.6.9\r\nconda activate LTSF_Linear\r\npip install -r requirements.txt\r\n```\r\n\r\n### Data Preparation\r\n\r\nYou can obtain all the nine benchmarks from [Google Drive](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1ZOYpTUa82_jCcxIdTmyr0LXQfvaM9vIy) provided in Autoformer. All the datasets are well pre-processed and can be used easily.\r\n\r\n```\r\nmkdir dataset\r\n```\r\n**Please put them in the `.\u002Fdataset` directory**\r\n\r\n### Training Example\r\n- In `scripts\u002F `, we provide the model implementation *Dlinear\u002FAutoformer\u002FInformer\u002FTransformer*\r\n- In `FEDformer\u002Fscripts\u002F`, we provide the *FEDformer* implementation\r\n- In `Pyraformer\u002Fscripts\u002F`, we provide the *Pyraformer* implementation\r\n\r\nFor example:\r\n\r\nTo train the **LTSF-Linear** on **Exchange-Rate dataset**, you can use the script `scripts\u002FEXP-LongForecasting\u002FLinear\u002Fexchange_rate.sh`:\r\n```\r\nsh scripts\u002FEXP-LongForecasting\u002FLinear\u002Fexchange_rate.sh\r\n```\r\nIt will start to train DLinear by default, the results will be shown in `logs\u002FLongForecasting`. You can specify the name of the model in the script. (Linear, DLinear, NLinear)\r\n\r\nAll scripts about using LTSF-Linear on long forecasting task is in `scripts\u002FEXP-LongForecasting\u002FLinear\u002F`, you can run them in a similar way. The default look-back window in scripts is 336, LTSF-Linear generally achieves better results with longer look-back window as dicussed in the paper. \r\n\r\nScripts about look-back window size and long forecasting of FEDformer and Pyraformer are in `FEDformer\u002Fscripts` and `Pyraformer\u002Fscripts`, respectively. To run them, you need to first `cd FEDformer` or `cd Pyraformer`. Then, you can use sh to run them in a similar way. Logs will be stored in `logs\u002F`.\r\n\r\nEach experiment in `scripts\u002FEXP-LongForecasting\u002FLinear\u002F` takes 5min-20min. For other Transformer scripts, since we put all related experiments in one script file, directly running them will take 8 hours per day. You can keep the experiments you are interested in and comment on the others. \r\n\r\n### Weights Visualization\r\nAs shown in our paper, the weights of LTSF-Linear can reveal some characteristics of the data, i.e., the periodicity. As an example, we provide the weight visualization of DLinear in `weight_plot.py`. To run the visualization, you need to input the model path (model_name) of DLinear (the model directory in `.\u002Fcheckpoint` by default). To obtain smooth and clear patterns, you can use the initialization we provided in the file of linear models.  \r\n\r\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcure-lab_LTSF-Linear_readme_46e278e9c08a.png)\r\n## Citing\r\n\r\nIf you find this repository useful for your work, please consider citing it as follows:\r\n\r\n```BibTeX\r\n@inproceedings{Zeng2022AreTE,\r\n  title={Are Transformers Effective for Time Series Forecasting?},\r\n  author={Ailing Zeng and Muxi Chen and Lei Zhang and Qiang Xu},\r\n  journal={Proceedings of the AAAI Conference on Artificial Intelligence},\r\n  year={2023}\r\n}\r\n```\r\n\r\nPlease remember to cite all the datasets and compared methods if you use them in your experiments.\r\n","# 变压器模型在时间序列预测中有效吗？（AAAI 2023）\n\n本仓库是 LTSF-Linear 的官方 PyTorch 实现：“[变压器模型在时间序列预测中有效吗？](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2205.13504.pdf)”。\n\n\n\n## 更新\n- [2024\u002F01\u002F28] 我们的模型已被纳入 [NeuralForecast](https:\u002F\u002Fgithub.com\u002FNixtla\u002Fneuralforecast)。特别感谢贡献者 [@cchallu](https:\u002F\u002Fgithub.com\u002Fcchallu)！\n- [2022\u002F11\u002F23] 被 AAAI 2023 接收，并获得三个“强烈接受”！我们还发布了一个 **[长期时间序列预测基准](LTSF-Benchmark.md)**，以供进一步研究。\n- [2022\u002F08\u002F25] 我们更新了论文 [https:\u002F\u002Farxiv.org\u002Fpdf\u002F2205.13504.pdf](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2205.13504.pdf)，并对现有 LTSF-Transformer 模型为何在 LTSF 任务中表现不佳进行了全面分析！\n- [2022\u002F08\u002F25] 除了 DLinear 外，我们很高兴在论文和本仓库中新增了两个线性模型。现在我们拥有了一个 LTSF-Linear 家族！\n  - Linear：仅使用一个线性层。\n  - DLinear：采用分解线性方法，以处理具有趋势和季节性模式的数据。\n  - NLinear：一种归一化线性模型，用于应对训练集与测试集之间的分布偏移。更多详情请参阅“LTSF-Linear”章节。\n\n- [2022\u002F08\u002F25] 我们更新了 LTSF-Linear 的部分脚本。\n  - Linear、NLinear 和 DLinear 使用相同的脚本。\n  - DLinear 的部分结果现在略有不同。\n\n\n\n## 特性\n- [x] 添加了一个用于长期时间序列预测的 [基准](LTSF-Benchmark.md)。\n- [x] 同时支持 [单变量](https:\u002F\u002Fgithub.com\u002Fcure-lab\u002FDLinear\u002Ftree\u002Fmain\u002Fscripts\u002FEXP-LongForecasting\u002FDLinear\u002Funivariate) 和 [多变量](https:\u002F\u002Fgithub.com\u002Fcure-lab\u002FDLinear\u002Ftree\u002Fmain\u002Fscripts\u002FEXP-LongForecasting\u002FDLinear) 长期时间序列预测。\n- [x] 支持权重可视化。\n- [x] 支持不同 [历史窗口大小](https:\u002F\u002Fgithub.com\u002Fcure-lab\u002FDLinear\u002Ftree\u002Fmain\u002Fscripts\u002FEXP-LookBackWindow) 的脚本。\n\n除了 LTSF-Linear，我们还提供了五种重要的预测 Transformer 模型，以重新实现论文中的结果。\n- [x] [Transformer](https:\u002F\u002Farxiv.org\u002Fabs\u002F1706.03762)（NeuIPS 2017）\n- [x] [Informer](https:\u002F\u002Farxiv.org\u002Fabs\u002F2012.07436)（AAAI 2021 最佳论文）\n- [x] [Autoformer](https:\u002F\u002Farxiv.org\u002Fabs\u002F2106.13008)（NeuIPS 2021）\n- [x] [Pyraformer](https:\u002F\u002Fopenreview.net\u002Fpdf?id=0EXmFzUn5I)（ICLR 2022 口头报告）\n- [x] [FEDformer](https:\u002F\u002Farxiv.org\u002Fabs\u002F2201.12740)（ICML 2022）\n\n\n## 详细说明\n我们在 `.\u002Fscripts` 中提供了所有实验脚本文件：\n| 文件      |                              解释                          |\n| ------------- | -------------------------------------------------------| \n| EXP-LongForecasting      | 长期时间序列预测任务                    |\n| EXP-LookBackWindow      | 研究不同历史窗口大小的影响   | \n| EXP-Embedding        | 研究不同嵌入策略的效果      |\n\n\n此代码基于 Autoformer 的代码库构建。我们非常感谢以下 GitHub 仓库提供的宝贵代码库或数据集：\n\nAutoformer、Informer 和 Transformer 的实现来自 https:\u002F\u002Fgithub.com\u002Fthuml\u002FAutoformer\n\nFEDformer 的实现来自 https:\u002F\u002Fgithub.com\u002FMAZiqing\u002FFEDformer\n\nPyraformer 的实现来自 https:\u002F\u002Fgithub.com\u002Falipay\u002FPyraformer\n\n## LTSF-Linear\n### LTSF-Linear 家族\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcure-lab_LTSF-Linear_readme_a13994c42c10.png)\nLTSF-Linear 是一组线性模型。\n- Linear：它只是一个单层线性模型，但却优于 Transformer。\n- NLinear：**为了提升 Linear 在数据集存在分布偏移时的性能**，NLinear 首先将输入减去序列的最后一个值，然后通过一个线性层处理，最后再将减去的部分加回来，从而得到最终预测。NLinear 中的减法和加法实际上是对输入序列的一种简单归一化操作。\n- DLinear：它是将 Autoformer 和 FEDformer 中使用的分解方案与线性层相结合的模型。首先，它通过移动平均核将原始数据分解为趋势成分和残差（季节性）成分，然后分别对这两个成分应用一个单层线性层，并将两者相加得到最终预测。通过显式地处理趋势，**DLinear 在数据存在明显趋势时能够显著提升普通线性模型的性能。**\n\n尽管 LTSF-Linear 很简单，但它具有一些引人注目的特性：\n- 最大信号传播路径长度为 O(1)：路径越短，依赖关系捕捉得越好，因此 LTSF-Linear 能够同时捕捉短期和长期的时间依赖关系。\n- 高效性：由于每个分支仅包含一个线性层，因此其内存消耗和参数量都远低于现有的 Transformer 模型，推理速度也更快。\n- 可解释性：训练完成后，我们可以可视化权重，从而对预测结果有更深入的理解。\n- 易用性：LTSF-Linear 无需调整模型超参数即可轻松使用。\n\n### 与 Transformer 的比较\n单变量预测：\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcure-lab_LTSF-Linear_readme_6e11f25a0d71.png)\n多变量预测：\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcure-lab_LTSF-Linear_readme_9d0316a5f242.png)\nLTSF-Linear 以较大优势超越了所有基于 Transformer 的方法。\n\n### 效率\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcure-lab_LTSF-Linear_readme_1896634b5a7d.png)\n在电力数据上，当历史窗口大小为 96、预测步数为 720 时，各方法效率的对比。MACs 表示乘累加操作次数。我们以 DLinear 作为对比，因为它在 LTSF-Linear 中的成本是前者的两倍。推理时间取 5 次运行的平均值。\n\n## 快速入门\n### 环境要求\n\n首先，请确保已安装 Conda。然后，可以通过以下命令安装我们的环境：\n```bash\nconda create -n LTSF_Linear python=3.6.9\nconda activate LTSF_Linear\npip install -r requirements.txt\n```\n\n### 数据准备\n\n您可以从 Autoformer 提供的 [Google Drive](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1ZOYpTUa82_jCcxIdTmyr0LXQfvaM9vIy) 获取全部九个基准数据集。所有数据集均已预处理完毕，可直接使用。\n\n```bash\nmkdir dataset\n```\n**请将它们放置在 `.\u002Fdataset` 目录下**\n\n### 训练示例\n- 在 `scripts\u002F` 中，我们提供了模型实现 *Dlinear\u002FAutoformer\u002FInformer\u002FTransformer*。\n- 在 `FEDformer\u002Fscripts\u002F` 中，我们提供了 *FEDformer* 的实现。\n- 在 `Pyraformer\u002Fscripts\u002F` 中，我们提供了 *Pyraformer* 的实现。\n\n例如：\n\n要在 **Exchange-Rate 数据集** 上训练 **LTSF-Linear**，可以使用脚本 `scripts\u002FEXP-LongForecasting\u002FLinear\u002Fexchange_rate.sh`：\n```bash\nsh scripts\u002FEXP-LongForecasting\u002FLinear\u002Fexchange_rate.sh\n```\n默认会开始训练 DLinear，结果将保存在 `logs\u002FLongForecasting` 目录中。您可以在脚本中指定模型名称（Linear、DLinear、NLinear）。\n\n所有关于在长时序预测任务中使用 LTSF-Linear 的脚本都位于 `scripts\u002FEXP-LongForecasting\u002FLinear\u002F` 目录下，您可以以类似的方式运行它们。脚本中默认的回看窗口大小为 336，正如论文中所讨论的，LTSF-Linear 通常在较长的回看窗口下表现更好。\n\n关于 FEDformer 和 Pyraformer 的回看窗口大小及长时序预测的脚本分别位于 `FEDformer\u002Fscripts` 和 `Pyraformer\u002Fscripts` 目录中。要运行这些脚本，您需要先执行 `cd FEDformer` 或 `cd Pyraformer`。然后，同样可以使用 `sh` 命令来运行，日志将存储在 `logs\u002F` 目录中。\n\n`scripts\u002FEXP-LongForecasting\u002FLinear\u002F` 中的每个实验大约需要 5–20 分钟。而对于其他 Transformer 脚本，由于我们将所有相关实验放在一个脚本文件中，直接运行可能需要每天 8 小时。您可以保留自己感兴趣的实验，并将其他实验注释掉。\n\n### 权重可视化\n如我们的论文所示，LTSF-Linear 的权重可以揭示数据的一些特征，例如周期性。作为示例，我们在 `weight_plot.py` 中提供了 DLinear 的权重可视化代码。要运行该可视化，您需要输入 DLinear 的模型路径（model_name，默认为 `.\u002Fcheckpoint` 中的模型目录）。为了获得平滑清晰的模式，您可以使用线性模型文件中提供的初始化参数。\n\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcure-lab_LTSF-Linear_readme_46e278e9c08a.png)\n## 引用\n\n如果您认为本仓库对您的工作有所帮助，请考虑按以下方式引用：\n\n```BibTeX\n@inproceedings{Zeng2022AreTE,\n  title={Are Transformers Effective for Time Series Forecasting?},\n  author={Ailing Zeng and Muxi Chen and Lei Zhang and Qiang Xu},\n  journal={Proceedings of the AAAI Conference on Artificial Intelligence},\n  year={2023}\n}\n```\n\n请务必在您的实验中引用所使用的全部数据集和对比方法。","# LTSF-Linear 快速上手指南\n\nLTSF-Linear 是 AAAI 2023 论文《Are Transformers Effective for Time Series Forecasting?》的官方 PyTorch 实现。该工具包含 Linear、NLinear 和 DLinear 三种线性模型，在长时序预测任务中表现优于主流 Transformer 架构，且具有高效、可解释性强和易于使用的特点。\n\n## 环境准备\n\n*   **操作系统**：Linux \u002F macOS \u002F Windows (推荐 Linux)\n*   **Python 版本**：3.6.9 (官方推荐，高版本通常也兼容)\n*   **依赖管理**：Conda\n*   **核心框架**：PyTorch\n\n## 安装步骤\n\n1.  **创建并激活虚拟环境**\n    ```bash\n    conda create -n LTSF_Linear python=3.6.9\n    conda activate LTSF_Linear\n    ```\n\n2.  **安装 Python 依赖**\n    *注：若下载速度慢，可添加国内镜像源（如清华源）加速安装。*\n    ```bash\n    # 使用默认源\n    pip install -r requirements.txt\n    \n    # 或使用清华镜像源加速\n    pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n\n3.  **准备数据集**\n    本项目复用了 Autoformer 的数据集。请从 [Google Drive](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1ZOYpTUa82_jCcxIdTmyr0LXQfvaM9vIy) 下载 9 个基准数据集。\n    \n    在项目根目录下创建数据文件夹并将下载好的数据放入其中：\n    ```bash\n    mkdir dataset\n    # 请将下载的数据集文件移动至 .\u002Fdataset 目录下\n    ```\n\n## 基本使用\n\n以下以在 **Exchange-Rate** 数据集上训练 **DLinear** 模型为例。\n\n1.  **运行训练脚本**\n    进入项目根目录，执行对应的 Shell 脚本：\n    ```bash\n    sh scripts\u002FEXP-LongForecasting\u002FLinear\u002Fexchange_rate.sh\n    ```\n    *说明：该脚本默认运行 DLinear 模型。如需切换为 `Linear` 或 `NLinear`，请编辑脚本文件修改模型名称参数。*\n\n2.  **查看结果**\n    训练完成后，日志和结果将保存在 `logs\u002FLongForecasting` 目录下。\n\n3.  **其他任务**\n    *   **不同回看窗口大小实验**：参考 `scripts\u002FEXP-LookBackWindow\u002F` 下的脚本。\n    *   **权重可视化**：训练完成后，可使用 `weight_plot.py` 可视化模型权重以分析数据周期性特征（需指定模型检查点路径）。\n\n> **提示**：单个长时序预测实验通常耗时 5-20 分钟。若运行其他 Transformer 对比模型的脚本，由于包含多个实验组合，耗时可能较长，建议根据需求注释掉不需要的实验部分。","某新能源发电集团的算法团队正致力于提升未来 72 小时的风电功率预测精度，以优化电网调度策略并减少弃风损失。\n\n### 没有 LTSF-Linear 时\n- 团队盲目追随业界潮流，部署了 Informer 和 Autoformer 等复杂的 Transformer 模型，却发现在长序列预测任务中误差居高不下。\n- 模型训练耗时极长，需要昂贵的 GPU 集群支持，且超参数调优过程如同“黑盒”，难以定位性能瓶颈。\n- 面对季节性波动或数据分布发生轻微偏移（如极端天气导致的历史数据分布变化）时，复杂模型泛化能力差，预测结果剧烈震荡。\n- 业务方质疑技术选型，认为投入大量算力资源换来的效果甚至不如简单的统计方法，项目面临被叫停的风险。\n\n### 使用 LTSF-Linear 后\n- 团队切换至 DLinear 模型，利用其独特的分解机制将趋势项与季节项分离处理，在相同数据集上将预测误差降低了 15% 以上。\n- 模型结构极简，仅含线性层，训练速度提升了数十倍，普通单卡即可快速完成迭代，大幅降低了算力成本。\n- 借助 NLinear 的归一化特性，模型有效克服了训练集与测试集之间的分布偏移问题，在突发气象条件下的预测稳定性显著增强。\n- 清晰的线性权重可视化让团队能直观解释预测逻辑，迅速赢得了业务部门的信任，推动了方案在生产环境的落地。\n\nLTSF-Linear 用极简的线性架构证明了在长时序预测中“简单即有效”，以低成本实现了高精度与强鲁棒性的完美平衡。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcure-lab_LTSF-Linear_46e278e9.png","cure-lab","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fcure-lab_a4cf1419.png",null,"https:\u002F\u002Fgithub.com\u002Fcure-lab",[78,82],{"name":79,"color":80,"percentage":81},"Python","#3572A5",85.4,{"name":83,"color":84,"percentage":85},"Shell","#89e051",14.6,2449,506,"2026-04-16T05:35:37","Apache-2.0","未说明",{"notes":92,"python":93,"dependencies":94},"1. 必须使用 Conda 管理环境，官方指定创建 Python 3.6.9 环境。\n2. 具体依赖库需通过运行 'pip install -r requirements.txt' 安装，README 未列出详细清单。\n3. 数据集需手动从 Google Drive 下载并放入 '.\u002Fdataset' 目录。\n4. 该模型包含 Linear、NLinear 和 DLinear 三种变体，默认脚本运行 DLinear。\n5. 代码基于 Autoformer 代码库构建，同时也提供了 Transformer、Informer、Autoformer、Pyraformer 和 FEDformer 的实现以供对比。","3.6.9",[95,96,97,98],"torch (通过 requirements.txt 安装)","numpy (推测)","pandas (推测)","matplotlib (用于权重可视化)",[14],[101,102,103,104,105,106,107,108,109,110],"deep-learning","forecasting","forecasting-model","linear-models","pytorch","time-series","time-series-forecasting","time-series-prediction","aaai","aaai2023","2026-03-27T02:49:30.150509","2026-04-17T08:24:34.863157",[114,119,124,129,134,139],{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},36648,"DLinear 模型输出的 result.npy 文件为什么是三维数组，如何理解其维度含义？","result.npy 存储的是归一化后的预测值。其形状通常为 (样本数，预测长度，变量数)，例如 (1416, 96, 8)。这是因为保存的是所有测试样本的预测结果。在对比 CSV 文件中的原始数据前，需要先进行反归一化（denorm）操作，并将维度从 3 维调整为 2 维以便查看。","https:\u002F\u002Fgithub.com\u002Fcure-lab\u002FLTSF-Linear\u002Fissues\u002F54",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},36649,"运行 Informer 或 Transformer 模型并使用 --do_predict 参数时为什么会报错？","这是因为在预测阶段，输入数据没有真实的标签值（ground truth），导致 Dataset_Pred 生成的数据长度不一致，而 Informer 和 Transformer 模型要求输入等长。Autoformer 模型内部有自动补长机制，但其他模型没有。\n解决方案：\n1. 修改 `data_provider\u002Fdata_loader.py` 文件下的 `Dataset_Pred` 类，确保 seq_x 和 seq_x_mark 以及 seq_y 和 seq_y_mark 的形状一致。\n2. 或者在 predict 函数内增加代码，对 dec_inp 进行重新补长处理（参考 Autoformer.py 第 107 行的逻辑）。","https:\u002F\u002Fgithub.com\u002Fcure-lab\u002FLTSF-Linear\u002Fissues\u002F2",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},36650,"如何对 DLinear 模型的预测结果进行反归一化？","需要在代码中调用数据集对象的 inverse_transform 方法。具体操作步骤如下：\n在 `exp\u002Fexp_main.py` 文件的第 284 行附近，插入代码 `xx = test_data.inverse_transform(xx)`，其中 `xx` 是你需要反归一化的预测结果张量。执行此操作后，还需注意将结果维度从 3 维转换为 2 维。","https:\u002F\u002Fgithub.com\u002Fcure-lab\u002FLTSF-Linear\u002Fissues\u002F79",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},36651,"数据加载器中的 label_len 参数有什么作用？它会导致输入序列重叠吗？","label_len 主要用于定义解码器的输入长度，在某些模型中会导致输入序列（seq_x）和目标序列（seq_y）的部分重叠。\n但对于 DLinear 和 NLinear 模型，训练时实际上并不使用这种重叠部分。输入仅为 `seq_x`，输出长度为 `pred_len`。在损失计算时（见 `exp\u002Fexp_main.py` 第 166-168 行），输出和真实值 `seq_y` 都会被截断，只保留最后的 `pred_len` 个数据点。因此，`seq_y` 中除了最后 `pred_len` 个点以外的数据（即重叠部分）在线性模型训练中并未被使用。","https:\u002F\u002Fgithub.com\u002Fcure-lab\u002FLTSF-Linear\u002Fissues\u002F18",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},36652,"为什么论文更新版中 DLinear 的结果与之前不同？DLinear-I 去哪了？","结果差异可能源于随机种子或超参数调整的不同。关于 DLinear-I（独立变量模式）被移除的原因：虽然 DLinear-I 在某些情况下能取得最佳结果，但这篇论文的核心目的是质疑 Transformer 类模型的有效性，而非提出新的模型架构。为了保持实验对比的公平性和聚焦核心论点，作者在新版本中未优先展示 DLinear-I 的结果。用户可以使用提供的脚本复现当前版本的结果。","https:\u002F\u002Fgithub.com\u002Fcure-lab\u002FLTSF-Linear\u002Fissues\u002F16",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},36653,"按照官方代码和环境配置复现时，为什么无法得到论文中相同的实验结果（特别是 ETTh 数据集）？","这是一个已知问题，许多用户反馈难以完全复现论文中的特定结果（尤其是 ETTh 数据集上的多变量结果）。即使使用了相同的 CUDA 版本（如 11.5 或 12.1）和官方提供的脚本，结果仍可能存在差异。这可能与底层深度学习框架的版本差异、随机种子的细微影响或未公开的具体预处理细节有关。目前维护者尚未提供确切的修复方案，建议用户以代码库当前的最新实现为准，或尝试多次运行取平均值。","https:\u002F\u002Fgithub.com\u002Fcure-lab\u002FLTSF-Linear\u002Fissues\u002F76",[]]