[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-uber--orbit":3,"tool-uber--orbit":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",160411,2,"2026-04-18T23:33:24",[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。",109154,"2026-04-18T11:18:24",[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":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":92,"forks":93,"last_commit_at":94,"license":95,"difficulty_score":32,"env_os":96,"env_gpu":97,"env_ram":98,"env_deps":99,"category_tags":108,"github_topics":109,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":129,"updated_at":130,"faqs":131,"releases":160},9470,"uber\u002Forbit","orbit","A Python package for Bayesian forecasting with object-oriented design and probabilistic models under the hood.","Orbit 是一款由 Uber 开源的 Python 库，专为贝叶斯时间序列预测与推断而设计。它旨在解决传统预测工具在量化不确定性方面的不足，帮助用户不仅获得预测值，还能清晰掌握预测结果的置信区间，从而在数据波动中做出更稳健的决策。\n\n这款工具特别适合数据科学家、机器学习工程师以及需要处理复杂时序数据的研究人员使用。Orbit 最大的亮点在于其“化繁为简”的设计理念：底层依托强大的概率编程语言（如 Stan）进行复杂的贝叶斯采样，上层却提供了极其直观的“初始化 - 拟合 - 预测”面向对象接口。这意味着用户无需深究繁琐的数学推导，即可轻松调用指数平滑（ETS）、局部全局趋势（LGT）等先进模型。\n\n此外，Orbit 在技术实现上非常灵活，支持马尔可夫链蒙特卡洛（MCMC）、最大后验估计（MAP）以及变分推断（VI）等多种估算方法，能够根据数据规模和精度需求自由切换。无论是需要全采样的高精度分析，还是追求效率的近似推断，Orbit 都能提供专业且稳定的支持，是连接前沿贝叶斯理论与实际业务预测的桥梁。","\u003Cp align=\"center\">\n   \n  \u003Ca href=\"https:\u002F\u002Fjoin.slack.com\u002Ft\u002Forbit-support\u002Fshared_invite\u002Fzt-1207qlxjl-fhiX_8vTu1Fsa1ao1vGFEA\">Join Slack\u003C\u002Fa>\n    |  \n  \u003Ca href=\"https:\u002F\u002Forbit-ml.readthedocs.io\u002Fen\u002Fstable\u002F\">Documentation\u003C\u002Fa>\n    |  \n  \u003Ca href=\"https:\u002F\u002Feng.uber.com\u002Forbit\u002F\">Blog - Intro\u003C\u002Fa>\n    |  \n  \u003Ca href=\"https:\u002F\u002Feng.uber.com\u002Fthe-new-version-of-orbit-v1-1-is-released\u002F\">Blog - v1.1\u003C\u002Fa>\n\u003C\u002Fp>\n\n![Orbit banner](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fuber_orbit_readme_db7e0a38747c.png)\n\n-------------------------------------------------------------------------------------------------------------------------------------\n\u003C!--- BADGES: START --->\n![GitHub release (latest SemVer)](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fv\u002Frelease\u002Fuber\u002Forbit)\n[![PyPI](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Forbit-ml)][#pypi-package]\n[![Build and Test](https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Factions\u002Fworkflows\u002Ftest.yaml\u002Fbadge.svg?branch=master)](https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Factions\u002Fworkflows\u002Ftest.yaml)\n[![Documentation Status](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fuber_orbit_readme_13d664e1afd7.png)](https:\u002F\u002Forbit-ml.readthedocs.io\u002Fen\u002Flatest\u002F?badge=latest)\n[![PyPI - Python Version](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fpyversions\u002Forbit-ml)][#pypi-package]\n[![Downloads](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fuber_orbit_readme_4c816aaf47e8.png)](https:\u002F\u002Fpepy.tech\u002Fproject\u002Forbit-ml)\n[![Conda Recipe](https:\u002F\u002Fimg.shields.io\u002Fstatic\u002Fv1?logo=conda-forge&style=flat&color=green&label=recipe&message=orbit-ml)][#conda-forge-feedstock]\n[![Conda - Platform](https:\u002F\u002Fimg.shields.io\u002Fconda\u002Fpn\u002Fconda-forge\u002Forbit-ml?logo=anaconda&style=flat)][#conda-forge-package]\n[![Conda (channel only)](https:\u002F\u002Fimg.shields.io\u002Fconda\u002Fvn\u002Fconda-forge\u002Forbit-ml?logo=anaconda&style=flat&color=orange)][#conda-forge-package]\n[![PyPI - License](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fl\u002Forbit-ml?logo=pypi&style=flat&color=green)][#github-license]\n\n[#github-license]: https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fblob\u002Fmaster\u002FLICENSE\n[#pypi-package]: https:\u002F\u002Fpypi.org\u002Fproject\u002Forbit-ml\u002F\n[#conda-forge-package]: https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Forbit-ml\n[#conda-forge-feedstock]: https:\u002F\u002Fgithub.com\u002Fconda-forge\u002Forbit-ml-feedstock\n\u003C!--- BADGES: END --->\n\n\n# User Notice\n\nThe default page of the repo is on `dev` branch. To install the dev version, please check the section `Installing from Dev Branch`. If you are looking for a **stable version**, please refer to the `master` branch [here](https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Ftree\u002Fmaster).\n\n\n# Disclaimer\n\nThis project\n\n- is stable and being incubated for long-term support. It may contain new experimental code, for which APIs are subject to change.\n- requires [cmdstanpy](https:\u002F\u002Fmc-stan.org\u002Fcmdstanpy\u002F) as one of the core dependencies for Bayesian sampling.\n\n# Orbit: A Python Package for Bayesian Forecasting\n\nOrbit is a Python package for Bayesian time series forecasting and inference. It provides a\nfamiliar and intuitive initialize-fit-predict interface for time series tasks, while utilizing probabilistic programming languages under the hood.\n\nFor details, check out our documentation and tutorials:\n- HTML (stable): https:\u002F\u002Forbit-ml.readthedocs.io\u002Fen\u002Fstable\u002F\n- HTML (latest): https:\u002F\u002Forbit-ml.readthedocs.io\u002Fen\u002Flatest\u002F\n\nCurrently, it supports concrete implementations for the following models:\n\n-  Exponential Smoothing (ETS)\n-  Local Global Trend (LGT)\n-  Damped Local Trend (DLT)\n-  Kernel Time-based Regression (KTR)\n\nIt also supports the following sampling\u002Foptimization methods for model estimation\u002Finferences:\n\n-  Markov-Chain Monte Carlo (MCMC) as a full sampling method\n-  Maximum a Posteriori (MAP) as a point estimate method\n-  Variational Inference (VI) as a hybrid-sampling method on approximate\n   distribution\n\n\n##  Installation\n\n### Installing Stable Release\n\nInstall the library either from PyPi or from the source with `pip`. \nAlternatively, you can also install it from Anaconda with `conda`:\n\n**With pip**\n\n1. Installing from PyPI\n\n   ```sh\n   $ pip install orbit-ml\n   ```\n\n2. Install from source\n\n   ```sh\n   $ git clone https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit.git\n   $ cd orbit\n   $ pip install -r requirements.txt\n   $ pip install .\n   ```\n\n**With conda**\n\nThe library can be installed from the conda-forge channel using conda.\n\n```sh\n$ conda install -c conda-forge orbit-ml\n```\n\n### Installing from Dev Branch\n\n```sh\n$ pip install git+https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit.git@dev\n```\n\n## Quick Start with Damped-Local-Trend (DLT) Model\n\n### FULL Bayesian Prediction\n\n```python\nfrom orbit.utils.dataset import load_iclaims\nfrom orbit.models import DLT\nfrom orbit.diagnostics.plot import plot_predicted_data\n\n# log-transformed data\ndf = load_iclaims()\n# train-test split\ntest_size = 52\ntrain_df = df[:-test_size]\ntest_df = df[-test_size:]\n\ndlt = DLT(\n  response_col='claims', date_col='week',\n  regressor_col=['trend.unemploy', 'trend.filling', 'trend.job'],\n  seasonality=52,\n)\ndlt.fit(df=train_df)\n\n# outcomes data frame\npredicted_df = dlt.predict(df=test_df)\n\nplot_predicted_data(\n  training_actual_df=train_df, predicted_df=predicted_df,\n  date_col=dlt.date_col, actual_col=dlt.response_col,\n  test_actual_df=test_df\n)\n```\n\n![full-pred](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fuber_orbit_readme_c0d36da61b28.png)\n\n## Demo\n\nNowcasting with Regression in DLT:\n\n[![Open All Collab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fedwinnglabs\u002Fts-playground\u002Fblob\u002Fmaster\u002FOrbit_Tutorial.ipynb)\n\nBacktest on M3 Data:\n\n[![Open All Collab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fedwinnglabs\u002Fts-playground\u002Fblob\u002Fmaster\u002Forbit_m3_backtest.ipynb)\n\nMore examples can be found under [tutorials](.\u002Fdocs\u002Ftutorials)\nand [examples](.\u002Fexamples).\n\n# Contributing\n\nWe welcome community contributors to the project. Before you start, please read our\n[code of conduct](CODE_OF_CONDUCT.md) and check out\n[contributing guidelines](CONTRIBUTING.md) first.\n\n\n# Versioning\n\nWe document versions and changes in our [changelog](.\u002Fdocs\u002Fchangelog.rst).\n\n\n# References\n\n## Presentations\n\nCheck out the ongoing [deck](https:\u002F\u002Fdocs.google.com\u002Fpresentation\u002Fd\u002F1WfTtXAW3rud4TX9HtB3NkE6buDE8tWk6BKZ2hRNXjCI\u002Fedit?usp=sharing) for scope and roadmap of the project. An older deck used in the [meet-up](https:\u002F\u002Fwww.meetup.com\u002FUberEvents\u002Fevents\u002F279446143\u002F) during July 2021 can also be found [here](https:\u002F\u002Fdocs.google.com\u002Fpresentation\u002Fd\u002F1R0Ol8xahIE6XlrAjAi0ewu4nRxo-wQn8w6U7z-uiOzI\u002Fedit?usp=sharing).\n\n\n## Citation\n\nTo cite Orbit in publications, refer to the following whitepaper:\n\n[Orbit: Probabilistic Forecast with Exponential Smoothing](https:\u002F\u002Farxiv.org\u002Fabs\u002F2004.08492)\n\nBibtex:\n\n```\n@misc{\n    ng2020orbit,\n    title={Orbit: Probabilistic Forecast with Exponential Smoothing},\n    author={Edwin Ng,\n        Zhishi Wang,\n        Huigang Chen,\n        Steve Yang,\n        Slawek Smyl},\n    year={2020}, eprint={2004.08492}, archivePrefix={arXiv}, primaryClass={stat.CO}\n}\n```\n\n##  Papers\n\n- Bingham, E., Chen, J. P., Jankowiak, M., Obermeyer, F., Pradhan, N., Karaletsos, T., Singh, R., Szerlip,\n  P., Horsfall, P., and Goodman, N. D. Pyro: Deep universal probabilistic programming. The Journal of Machine Learning\n  Research, 20(1):973–978, 2019.\n- Hoffman, M.D. and Gelman, A. The No-U-Turn sampler: adaptively setting path lengths in Hamiltonian Monte Carlo.\n  J. Mach. Learn. Res., 15(1), pp.1593-1623, 2014.\n- Hyndman, R., Koehler, A. B., Ord, J. K., and Snyder, R. D. Forecasting with exponential smoothing:\n  the state space approach. Springer Science & Business Media, 2008.\n- Smyl, S. Zhang, Q. Fitting and Extending Exponential Smoothing Models with Stan.\n  International Symposium on Forecasting, 2015.\n\n## Related projects\n\n- [Pyro](https:\u002F\u002Fgithub.com\u002Fpyro-ppl\u002Fpyro)\n- [Stan](https:\u002F\u002Fgithub.com\u002Fstan-dev\u002Fstan)\n- [Rlgt](https:\u002F\u002Fcran.r-project.org\u002Fweb\u002Fpackages\u002FRlgt\u002Findex.html)\n- [forecast](https:\u002F\u002Fgithub.com\u002Frobjhyndman\u002Fforecast)\n- [prophet](https:\u002F\u002Ffacebook.github.io\u002Fprophet\u002F)\n","\u003Cp align=\"center\">\n   \n  \u003Ca href=\"https:\u002F\u002Fjoin.slack.com\u002Ft\u002Forbit-support\u002Fshared_invite\u002Fzt-1207qlxjl-fhiX_8vTu1Fsa1ao1vGFEA\">加入 Slack\u003C\u002Fa>\n    |  \n  \u003Ca href=\"https:\u002F\u002Forbit-ml.readthedocs.io\u002Fen\u002Fstable\u002F\">文档\u003C\u002Fa>\n    |  \n  \u003Ca href=\"https:\u002F\u002Feng.uber.com\u002Forbit\u002F\">博客 - 简介\u003C\u002Fa>\n    |  \n  \u003Ca href=\"https:\u002F\u002Feng.uber.com\u002Fthe-new-version-of-orbit-v1-1-is-released\u002F\">博客 - v1.1\u003C\u002Fa>\n\u003C\u002Fp>\n\n![Orbit 横幅](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fuber_orbit_readme_db7e0a38747c.png)\n\n-------------------------------------------------------------------------------------------------------------------------------------\n\u003C!--- 徽章：开始 --->\n![GitHub 发布（最新 SemVer）](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fv\u002Frelease\u002Fuber\u002Forbit)\n[![PyPI](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Forbit-ml)][#pypi-package]\n[![构建与测试](https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Factions\u002Fworkflows\u002Ftest.yaml\u002Fbadge.svg?branch=master)](https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Factions\u002Fworkflows\u002Ftest.yaml)\n[![文档状态](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fuber_orbit_readme_13d664e1afd7.png)](https:\u002F\u002Forbit-ml.readthedocs.io\u002Fen\u002Flatest\u002F?badge=latest)\n[![PyPI - Python 版本](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fpyversions\u002Forbit-ml)][#pypi-package]\n[![下载量](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fuber_orbit_readme_4c816aaf47e8.png)](https:\u002F\u002Fpepy.tech\u002Fproject\u002Forbit-ml)\n[![Conda 配方](https:\u002F\u002Fimg.shields.io\u002Fstatic\u002Fv1?logo=conda-forge&style=flat&color=green&label=recipe&message=orbit-ml)][#conda-forge-feedstock]\n[![Conda - 平台](https:\u002F\u002Fimg.shields.io\u002Fconda\u002Fpn\u002Fconda-forge\u002Forbit-ml?logo=anaconda&style=flat)][#conda-forge-package]\n[![Conda（仅频道）](https:\u002F\u002Fimg.shields.io\u002Fconda\u002Fvn\u002Fconda-forge\u002Forbit-ml?logo=anaconda&style=flat&color=orange)][#conda-forge-package]\n[![PyPI - 许可证](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fl\u002Forbit-ml?logo=pypi&style=flat&color=green)][#github-license]\n\n[#github-license]: https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fblob\u002Fmaster\u002FLICENSE\n[#pypi-package]: https:\u002F\u002Fpypi.org\u002Fproject\u002Forbit-ml\u002F\n[#conda-forge-package]: https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Forbit-ml\n[#conda-forge-feedstock]: https:\u002F\u002Fgithub.com\u002Fconda-forge\u002Forbit-ml-feedstock\n\u003C!--- 徽章：结束 --->\n\n\n# 用户须知\n\n仓库的默认页面位于 `dev` 分支。如需安装开发版，请参阅“从开发分支安装”部分。如果您正在寻找**稳定版本**，请参考 [此处](https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Ftree\u002Fmaster) 的 `master` 分支。\n\n\n# 免责声明\n\n该项目\n\n- 目前处于稳定阶段，并正被孵化以实现长期支持。它可能包含新的实验性代码，其 API 可能会发生变化。\n- 需要 [cmdstanpy](https:\u002F\u002Fmc-stan.org\u002Fcmdstanpy\u002F) 作为贝叶斯采样的核心依赖之一。\n\n# Orbit：用于贝叶斯预测的 Python 包\n\nOrbit 是一个用于贝叶斯时间序列预测和推断的 Python 库。它为时间序列任务提供了一个熟悉且直观的初始化-拟合-预测接口，同时在底层利用了概率编程语言。\n\n有关详细信息，请查看我们的文档和教程：\n- HTML（稳定版）：https:\u002F\u002Forbit-ml.readthedocs.io\u002Fen\u002Fstable\u002F\n- HTML（最新版）：https:\u002F\u002Forbit-ml.readthedocs.io\u002Fen\u002Flatest\u002F\n\n目前，它支持以下模型的具体实现：\n\n- 指数平滑 (ETS)\n- 局部全局趋势 (LGT)\n- 阻尼局部趋势 (DLT)\n- 基于核的时间回归 (KTR)\n\n此外，它还支持以下采样\u002F优化方法来进行模型估计和推断：\n\n- 马尔可夫链蒙特卡洛 (MCMC) 作为完整的采样方法\n- 最大后验估计 (MAP) 作为点估计方法\n- 变分推断 (VI) 作为基于近似分布的混合采样方法\n\n\n## 安装\n\n### 安装稳定版\n\n您可以从 PyPI 或源代码使用 `pip` 安装该库。或者，您也可以通过 Anaconda 使用 `conda` 进行安装：\n\n**使用 pip**\n\n1. 从 PyPI 安装\n\n   ```sh\n   $ pip install orbit-ml\n   ```\n\n2. 从源代码安装\n\n   ```sh\n   $ git clone https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit.git\n   $ cd orbit\n   $ pip install -r requirements.txt\n   $ pip install .\n   ```\n\n**使用 conda**\n\n该库可以从 conda-forge 频道使用 conda 安装。\n\n```sh\n$ conda install -c conda-forge orbit-ml\n```\n\n### 安装来自开发分支的版本\n\n```sh\n$ pip install git+https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit.git@dev\n```\n\n## 阻尼局部趋势 (DLT) 模型快速入门\n\n### 完整贝叶斯预测\n\n```python\nfrom orbit.utils.dataset import load_iclaims\nfrom orbit.models import DLT\nfrom orbit.diagnostics.plot import plot_predicted_data\n\n# 对数变换后的数据\ndf = load_iclaims()\n# 训练集与测试集划分\ntest_size = 52\ntrain_df = df[:-test_size]\ntest_df = df[-test_size:]\n\ndlt = DLT(\n  response_col='claims', date_col='week',\n  regressor_col=['trend.unemploy', 'trend.filling', 'trend.job'],\n  seasonality=52,\n)\ndlt.fit(df=train_df)\n\n# 预测结果数据框\npredicted_df = dlt.predict(df=test_df)\n\nplot_predicted_data(\n  training_actual_df=train_df, predicted_df=predicted_df,\n  date_col=dlt.date_col, actual_col=dlt.response_col,\n  test_actual_df=test_df\n)\n```\n\n![full-pred](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fuber_orbit_readme_c0d36da61b28.png)\n\n## 演示\n\nDLT 中的回归即时预测：\n\n[![打开所有 Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fedwinnglabs\u002Fts-playground\u002Fblob\u002Fmaster\u002FOrbit_Tutorial.ipynb)\n\nM3 数据的回测：\n\n[![打开所有 Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fedwinnglabs\u002Fts-playground\u002Fblob\u002Fmaster\u002Forbit_m3_backtest.ipynb)\n\n更多示例可在 [教程](.\u002Fdocs\u002Ftutorials) 和 [示例](.\u002Fexamples) 中找到。\n\n# 贡献\n\n我们欢迎社区贡献者参与本项目。在开始之前，请先阅读我们的 [行为准则](CODE_OF_CONDUCT.md) 并查看 [贡献指南](CONTRIBUTING.md)。\n\n\n# 版本管理\n\n我们在 [变更日志](.\u002Fdocs\u002Fchangelog.rst) 中记录版本和更改。\n\n\n# 参考文献\n\n## 演示文稿\n\n请查看当前的 [演示文稿](https:\u002F\u002Fdocs.google.com\u002Fpresentation\u002Fd\u002F1WfTtXAW3rud4TX9HtB3NkE6buDE8tWk6BKZ2hRNXjCI\u002Fedit?usp=sharing) ，了解项目的范围和路线图。一份较早的演示文稿曾在 2021 年 7 月的 [聚会](https:\u002F\u002Fwww.meetup.com\u002FUberEvents\u002Fevents\u002F279446143\u002F) 中使用，也可在此处找到：[演示文稿](https:\u002F\u002Fdocs.google.com\u002Fpresentation\u002Fd\u002F1R0Ol8xahIE6XlrAjAi0ewu4nRxo-wQn8w6U7z-uiOzI\u002Fedit?usp=sharing)。\n\n\n## 引用\n\n如需在出版物中引用 Orbit，请参考以下白皮书：\n\n[Orbit：基于指数平滑的概率预测](https:\u002F\u002Farxiv.org\u002Fabs\u002F2004.08492)\n\nBibTeX 格式：\n\n```\n@misc{\n    ng2020orbit,\n    title={Orbit: Probabilistic Forecast with Exponential Smoothing},\n    author={Edwin Ng,\n        Zhishi Wang,\n        Huigang Chen,\n        Steve Yang,\n        Slawek Smyl},\n    year={2020}, eprint={2004.08492}, archivePrefix={arXiv}, primaryClass={stat.CO}\n}\n```\n\n## 论文\n\n- Bingham, E., Chen, J. P., Jankowiak, M., Obermeyer, F., Pradhan, N., Karaletsos, T., Singh, R., Szerlip,\n  P., Horsfall, P., 和 Goodman, N. D. Pyro：深度通用概率编程。机器学习研究杂志，20(1)：973–978，2019年。\n- Hoffman, M.D. 和 Gelman, A. 无回转采样器：在哈密顿蒙特卡洛中自适应设置路径长度。J. Mach. Learn. Res., 15(1)，第1593–1623页，2014年。\n- Hyndman, R., Koehler, A. B., Ord, J. K., 和 Snyder, R. D. 指数平滑法预测：状态空间方法。施普林格科学与商业媒体，2008年。\n- Smyl, S. Zhang, Q. 使用Stan拟合和扩展指数平滑模型。国际预测研讨会，2015年。\n\n## 相关项目\n\n- [Pyro](https:\u002F\u002Fgithub.com\u002Fpyro-ppl\u002Fpyro)\n- [Stan](https:\u002F\u002Fgithub.com\u002Fstan-dev\u002Fstan)\n- [Rlgt](https:\u002F\u002Fcran.r-project.org\u002Fweb\u002Fpackages\u002FRlgt\u002Findex.html)\n- [forecast](https:\u002F\u002Fgithub.com\u002Frobjhyndman\u002Fforecast)\n- [prophet](https:\u002F\u002Ffacebook.github.io\u002Fprophet\u002F)","# Orbit 快速上手指南\n\nOrbit 是由 Uber 开源的 Python 贝叶斯时间序列预测与推断包。它提供了直观的“初始化 - 拟合 - 预测”接口，底层基于概率编程语言（如 Stan），支持多种经典时间序列模型。\n\n## 环境准备\n\n*   **操作系统**：Linux, macOS, Windows (需配置 C++ 编译环境以支持 `cmdstanpy`)\n*   **Python 版本**：3.7+\n*   **核心依赖**：\n    *   `cmdstanpy`：用于贝叶斯采样（安装 Orbit 时通常会自动处理，但需确保系统已安装 C++ 编译器）。\n    *   常用数据科学库：`pandas`, `numpy`, `matplotlib` 等。\n\n> **注意**：由于涉及贝叶斯采样，首次运行模型时可能会自动下载 Stan 编译器，请确保网络畅通。国内用户若遇到下载缓慢问题，可尝试配置代理或手动预装 CmdStan。\n\n## 安装步骤\n\n推荐使用 `pip` 或 `conda` 进行安装。\n\n### 方式一：使用 pip 安装（推荐）\n\n直接从 PyPI 安装稳定版：\n\n```sh\npip install orbit-ml\n```\n\n若需从源码安装（适用于开发或特定版本需求）：\n\n```sh\ngit clone https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit.git\ncd orbit\npip install -r requirements.txt\npip install .\n```\n\n### 方式二：使用 conda 安装\n\n通过 conda-forge 渠道安装：\n\n```sh\nconda install -c conda-forge orbit-ml\n```\n\n### 安装开发版（可选）\n\n如需体验最新功能（非稳定版）：\n\n```sh\npip install git+https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit.git@dev\n```\n\n## 基本使用\n\n以下示例演示如何使用 **阻尼局部趋势 (DLT)** 模型进行全贝叶斯预测。\n\n### 1. 导入库与加载数据\n\n```python\nfrom orbit.utils.dataset import load_iclaims\nfrom orbit.models import DLT\nfrom orbit.diagnostics.plot import plot_predicted_data\n\n# 加载示例数据（已进行对数变换）\ndf = load_iclaims()\n\n# 划分训练集和测试集\ntest_size = 52\ntrain_df = df[:-test_size]\ntest_df = df[-test_size:]\n```\n\n### 2. 定义并训练模型\n\n配置模型参数，包括响应列、日期列、回归变量及季节性周期。\n\n```python\ndlt = DLT(\n  response_col='claims', \n  date_col='week',\n  regressor_col=['trend.unemploy', 'trend.filling', 'trend.job'],\n  seasonality=52,\n)\n\n# 拟合模型\ndlt.fit(df=train_df)\n```\n\n### 3. 预测与可视化\n\n使用训练好的模型对测试集进行预测，并绘制结果。\n\n```python\n# 生成预测数据框\npredicted_df = dlt.predict(df=test_df)\n\n# 绘制预测图\nplot_predicted_data(\n  training_actual_df=train_df, \n  predicted_df=predicted_df,\n  date_col=dlt.date_col, \n  actual_col=dlt.response_col,\n  test_actual_df=test_df\n)\n```\n\n运行上述代码后，将输出包含预测区间的时间序列预测图表。更多高级用法（如 MCMC、MAP、VI 等不同推断方法）请参考官方文档。","某电商公司的数据科学团队需要预测未来三个月的区域销量，以优化库存分配并应对促销活动带来的波动。\n\n### 没有 orbit 时\n- 团队需手动编写复杂的概率模型代码（如 Stan 或 PyMC3），开发周期长且容易出错，难以快速响应业务需求。\n- 传统点估计方法无法提供预测区间，管理层无法评估“最坏情况”下的库存风险，导致备货策略过于保守或激进。\n- 面对促销等外部事件引发的趋势突变，现有的指数平滑模型缺乏灵活性，无法自动捕捉局部趋势变化，预测偏差较大。\n- 不同模型（如 ETS、局部趋势模型）的调用接口不统一，团队成员切换模型时需要重新学习代码结构，协作效率低下。\n\n### 使用 orbit 后\n- 利用 orbit 面向对象的统一接口（initialize-fit-predict），团队能在几行代码内快速部署贝叶斯结构时间序列模型，将建模时间从数天缩短至几小时。\n- 通过内置的 MCMC 或变分推断（VI）算法，orbit 直接输出带有置信区间的概率预测分布，帮助管理层量化不确定性，制定更稳健的库存预案。\n- 借助 DLT（阻尼局部趋势）和 KTR（核时间回归）等模型，orbit 能自动适应促销期间的趋势突变和非线性模式，显著提升了峰值销量的预测精度。\n- 统一的 API 设计让团队可以轻松在 ETS、LGT 等不同模型间切换对比，无需重构代码，极大地促进了实验迭代和团队协作。\n\norbit 将复杂的贝叶斯推断封装为简洁的工程化接口，让企业能以低成本获得高精度的概率预测能力，从而在不确定的市场环境中做出更明智的决策。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fuber_orbit_c0d36da6.png","uber","Uber Open Source","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fuber_3a532a8c.png","Open Source at Uber",null,"http:\u002F\u002Fwww.uber.com","https:\u002F\u002Fgithub.com\u002Fuber",[80,84,88],{"name":81,"color":82,"percentage":83},"Python","#3572A5",93.9,{"name":85,"color":86,"percentage":87},"Stan","#b2011d",6.1,{"name":89,"color":90,"percentage":91},"Dockerfile","#384d54",0,2047,147,"2026-04-16T22:52:48","NOASSERTION","未说明 (通常支持 Linux, macOS, Windows，取决于 cmdstanpy)","未说明 (基于 MCMC\u002FMAP\u002FVI 的贝叶斯推断，通常主要依赖 CPU，除非底层 Stan 配置了 GPU 支持)","未说明",{"notes":100,"python":101,"dependencies":102},"核心依赖为 cmdstanpy，用于执行贝叶斯采样（MCMC、MAP、VI）。安装前需确保系统已安装 C++ 编译器以支持 cmdstanpy 运行。可通过 pip 或 conda-forge 安装。","3.7+ (根据 PyPI badge 推断，具体需参考 requirements.txt)",[103,104,105,106,107],"cmdstanpy","pandas","numpy","matplotlib","scipy",[14],[110,111,112,113,114,115,116,117,118,119,64,120,121,122,123,124,125,126,127,128],"python","forecasting","bayesian","exponential-smoothing","pyro","stan","pystan","probabilistic-programming","probabilistic","forecast","time-series","regression","arima","changepoint","bayesian-methods","bayesian-statistics","machine-learning","regression-models","pytorch","2026-03-27T02:49:30.150509","2026-04-19T15:38:50.742949",[132,137,142,147,152,156],{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},42474,"在 Jupyter Notebook 中运行模型拟合时程序无限挂起或卡住怎么办？","这是由于不同操作系统和 Python 版本下多进程（multiprocessing）行为差异导致的，常见于 Windows 和 Python >= 3.8 环境。解决方案有两种：\n1. 在 Notebook 最开始添加以下代码强制设置启动方法：\n   import multiprocessing\n   multiprocessing.set_start_method(\"fork\", force=True)\n2. 先在终端通过普通 Python 脚本运行一次基础模型拟合，生成底层的 .pkl 文件后，再切换回 Notebook 运行。\n此外，将代码放入 `if __name__ == \"__main__\":` 块中执行也可能避免此问题。","https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fissues\u002F520",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},42475,"安装 orbit-ml 时遇到 'CmdStan failed to install' 错误如何解决？","这通常是因为 conda 通道中的版本未及时更新或与 cmdstanpy 版本不兼容。解决方法是手动先安装 cmdstanpy，然后再安装 orbit-ml：\n1. 运行命令：conda install -c conda-forge cmdstanpy\n2. 随后运行：pip install orbit-ml\n如果在 Windows 上遇到编译器问题，建议尝试在 WSL (Windows Subsystem for Linux) 环境中进行安装和运行，以避免 MSVC 编译器兼容性问题。","https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fissues\u002F808",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},42476,"如何在 .py 脚本文件中避免 'UnboundLocalError: local variable pool referenced before assignment' 错误？","该错误同样源于多进程在不同环境下的行为差异。在 .py 文件中运行时，必须将主要逻辑封装在函数中，并通过 `if __name__ == '__main__':` 入口调用。示例代码如下：\nimport ...\n\ndef main():\n    df = ...\n    model = LGT(response_col=\"Sales\", date_col=\"Date\", estimator='stan-mcmc', seasonality=12)\n    model.fit(df)\n\nif __name__ == '__main__':\n    main()","https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fissues\u002F699",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},42477,"使用 conda 安装 orbit-ml 是否能获取最新版本？","conda-forge 上的版本更新可能存在滞后，不一定包含最新的修复或功能。如果发现 conda 版本落后（例如缺少关键的 bug 修复），建议直接使用 pip 从 PyPI 安装最新版本：pip install orbit-ml。如果需要参与维护 conda 包，可以联系核心贡献者成为 feedstock 的协同维护者以加速更新。","https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fissues\u002F741",{"id":153,"question_zh":154,"answer_zh":155,"source_url":136},42478,"为什么同样的代码在 Jupyter Notebook 中能运行，但在 .py 文件中会报错？","这是因为 Jupyter 和标准 Python 解释器在处理多进程（multiprocessing）时的默认行为不同。在 .py 文件中，必须显式地保护多进程代码。请确保：\n1. 在文件开头设置多进程启动方法：import multiprocessing; multiprocessing.set_start_method(\"fork\", force=True)（视系统而定）。\n2. 将所有模型训练代码包裹在 def main(): 函数中。\n3. 使用 if __name__ == \"__main__\": main() 作为入口点执行。",{"id":157,"question_zh":158,"answer_zh":159,"source_url":141},42479,"在 Windows 上安装或运行 Orbit 遇到编译错误或兼容性问题怎么办？","Windows 上的 Microsoft Visual C++ 编译器有时会导致 PyStan 或 CmdStan 安装失败或运行不稳定。最推荐的解决方案是使用 WSL (Windows Subsystem for Linux)，在 WSL 的 Ubuntu 环境中安装和运行 Orbit。这不仅解决了编译器兼容性问题，通常还能获得更快的模型运行速度。避免直接在原生 Windows 上调试复杂的 C++ 编译错误。",[161,166,171,176,181,186,191,196,201,206,211,216,221,226,231,236,241,246,251,256],{"id":162,"version":163,"summary_zh":164,"released_at":165},342220,"v1.1.5.0","# v0.1.1.5.0 更改日志\n\n## 变更内容\n* 在 \u002Fdocs 中将 jinja2 从 3.1.3 升级到 3.1.4，由 @dependabot[bot] 在 https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fpull\u002F868 中完成\n* 快速修复 871，由 @swotai 在 https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fpull\u002F872 中完成\n* 撤销“快速修复 871”，由 @edwinnglabs 在 https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fpull\u002F873 中完成\n* 为提高清晰度整合代码风格检查和单元测试，由 @swotai 在 https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fpull\u002F875 中完成\n* 修复以兼容各种不同的数组类型，由 @swotai 在 https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fpull\u002F876 中完成\n* 替换 pkg_resources 的使用 #877，由 @georgehaws 在 https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fpull\u002F882 中完成\n* 使用 black==25.1.0 修复格式问题，由 @edwinnglabs 在 https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fpull\u002F883 中完成\n* 修复 regression_penalty.ipynl 中的拼写错误，由 @talkierbox 在 https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fpull\u002F884 中完成\n\n## 新贡献者\n* @georgehaws 在 https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fpull\u002F882 中完成了首次贡献\n* @talkierbox 在 https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fpull\u002F884 中完成了首次贡献\n\n**完整更改日志**: https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fcompare\u002Fv1.1.4.9...v1.1.5.0","2026-03-03T01:00:34",{"id":167,"version":168,"summary_zh":169,"released_at":170},342221,"v1.1.4.9","从 v1.1.4.8 版本的热修复，用于恢复依赖项的限制性要求。","2024-04-01T00:44:51",{"id":172,"version":173,"summary_zh":174,"released_at":175},342222,"v1.1.4.8","对安装体验进行一项小改进：除 Conda 环境外，仍沿用预编译策略。  \n- 优化 `setup.py`，使其能够检测 Conda 环境。  \n- 移除后续 Stan 编译中的时间戳检查。","2024-03-29T03:00:03",{"id":177,"version":178,"summary_zh":179,"released_at":180},342223,"v1.1.4.7","上一版本的 minor 修复  \n- 通过提高 cmdstanpy 的最低版本要求，修复了 #864 问题  \n- 添加了一条回退规则，以应对 Stan 编译行为异常时可能出现的边缘情况。","2024-03-23T06:08:15",{"id":182,"version":183,"summary_zh":184,"released_at":185},342224,"v1.1.4.6","这是版本（v1.1.4.4 的热修复提交），用于修复 dev0 和 dev1 测试后出现的 Stan 文件编译问题。","2024-03-20T06:57:12",{"id":187,"version":188,"summary_zh":189,"released_at":190},342225,"1.1.4.5dev1","与先前版本类似，这是用于测试使用 Conda 安装，并对 Stan 的编译过程进行了修复。","2024-03-20T04:14:20",{"id":192,"version":193,"summary_zh":194,"released_at":195},342226,"1.1.4.5dev0","一个用于测试在 Conda 中修复 Stan 编译问题的分支，并使用更新后的 GitHub Actions。","2024-03-19T05:45:55",{"id":197,"version":198,"summary_zh":199,"released_at":200},342227,"v1.1.4.4","核心变更\n  - 修复了上一版本的安装问题；当前版本应在 macOS、Windows 和 Linux 上支持至 Python 3.11\n  - 采用优化的预编译方法，不再在首次运行模型拟合时编译 Stan 文件\n  - 使用默认的 CmdStan 路径，便于管理 Stan 路径\n  - 添加了 Dockerfile，用于快速构建拟合和预测镜像\n  - 修复了代码风格检查问题，并将其作为单元测试的依赖项\n\n文档\n  - 更新教程，以反映当前版本的行为","2024-03-14T07:55:27",{"id":202,"version":203,"summary_zh":204,"released_at":205},342228,"v1.1.4.4alpha","这是热修复版本，主要修复了 `cmdstanpy` 相关的问题（#846）。","2024-02-16T03:13:23",{"id":207,"version":208,"summary_zh":209,"released_at":210},342229,"v1.1.4.3","核心变更\n  - 将 Stan 采样引擎 `PyStan2` 替换为 `cmdstanpy`（https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fpull\u002F801）\n  - 更新安装流程及依赖项（https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fpull\u002F833）、（https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fpull\u002F835）、（https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fpull\u002F821）\n  - 优化安装流程，在构建 wheel 包时预先编译所有 Stan 文件（https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fpull\u002F833）、（https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fpull\u002F835）\n\n文档\n  - 针对新变更更新文档阅读流程及底层文档（https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fpull\u002F836）、（https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fpull\u002F838）\n  - 清理 `example\u002F` 目录下的旧示例和重复内容（https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fpull\u002F838）","2024-02-15T23:08:48",{"id":212,"version":213,"summary_zh":214,"released_at":215},342230,"v1.1.4.2","- hot fix on the commit graphs between master and dev","2023-01-29T22:05:17",{"id":217,"version":218,"summary_zh":219,"released_at":220},342231,"v1.1.4.1","- Hot fix on requirement.txt to set up fix on conda forge as well\r\n- Reduce number of python versions in unit test","2023-01-29T02:41:21",{"id":222,"version":223,"summary_zh":224,"released_at":225},342232,"v1.1.4","Core Changes:\r\n\r\n- replace `PyStan2` by `cmdstanpy` (https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fpull\u002F801)\r\n- update requirement and installation procedures (https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fcommit\u002F073f03fac7c8cecc241909cd20f97124b10ea3f5)\r\n- loggers upgrade\r\n\r\nDocumentation:\r\n\r\n- all tutorial is updated to use `cmdstanpy` in backend","2023-01-23T01:52:41",{"id":227,"version":228,"summary_zh":229,"released_at":230},342233,"v1.1.3","Core changes:\r\n\r\n- add python 3.8 unit tests (https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fpull\u002F752)\r\n- optimize interface to be compatible with arviz (https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fpull\u002F755)\r\n- requirements update (https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fpull\u002F763)\r\n- code clean up (https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fpull\u002F765)\r\n- dlt global trend prior adjustment (https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fpull\u002F786)\r\n\r\nDocumentation:\r\n\r\nTutorial enhancement:\r\n- tutorial refresh (https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fpull\u002F795)\r\n\r\nUtilities:\r\n- uses tqdm in parameters tuning (https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fpull\u002F762)\r\n- residuals plot (https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fpull\u002F758)\r\n- simpler stan compile interface (https:\u002F\u002Fgithub.com\u002Fuber\u002Forbit\u002Fpull\u002F769)","2022-11-30T18:22:21",{"id":232,"version":233,"summary_zh":234,"released_at":235},342234,"v1.1.2","**Core changes**:\r\n  - Add Conda installation option (#679)\r\n  - Suppress the lengthy Stan logging message (#696)\r\n  - WBIC for pyro SVI sampling and BIC for MAP optimization (#719, #710)\r\n  - Backtest module to include confidence intervals (#724)\r\n  - Allow configuration for compiled Stan model path (#713)\r\n  - Box plot for regression coefficient comparison (#737)\r\n  - Bounded logistic growth for DLT model (#712)\r\n  - Enhance regression output reporting (#739)å\r\n\r\n**Documentation**:\r\n  - Add blacking linting to Github action workflow (#708)\r\n  - Tutorial enhancement\r\n\r\n**Utilities**:\r\n  - Add a new method `make_future_df` to prepare data frame for forecasting (#695)","2022-04-28T21:45:14",{"id":237,"version":238,"summary_zh":239,"released_at":240},342235,"v1.1.2alpha","**Core changes**:\r\n  - Add Conda installation option (#679)\r\n  - Suppress the lengthy Stan logging message (#696)\r\n  - WBIC for pyro SVI sampling and BIC for MAP optimization (#719, #710)\r\n  - Backtest module to include confidence intervals (#724)\r\n  - Allow configuration for compiled Stan model path (#713)\r\n  - Box plot for regression coefficient comparison (#737)\r\n  - Bounded logistic growth for DLT model (#712)\r\n  - Enhance regression output reporting (#739)\r\n\r\n**Documentation**:\r\n  - Add blacking linting to Github action workflow (#708)\r\n  - Tutorial enhancement\r\n\r\n**Utilities**:\r\n  - Add a new method `make_future_df` to prepare data frame for forecasting (#695)","2022-04-07T00:21:26",{"id":242,"version":243,"summary_zh":244,"released_at":245},342236,"v1.1.1","- fix the .mplstyle file path bug","2022-03-04T00:16:13",{"id":247,"version":248,"summary_zh":249,"released_at":250},342237,"v1.1.0","**Core changes**\r\n  - Redesign the model class structure with three core components: model template, estimator, and forecaster\r\n    (#506, #507, #508, #513)\r\n  - Introduce the Kernel-based Time-varying Regression (KTR) model (#515)\r\n  - Implement the negative coefficient for LGT and KTR (#600, #601, #609)\r\n  - Allow to handle missing values in response for LGT and DLT (#645)\r\n  - Implement WBIC value for model candidate selection (#654)\r\n\r\n**Documentation**\r\n  - A new series of tutorials for KTR (#558, #559)\r\n  - Migrate the CI from TravisCI to Github Actions (#556)\r\n  - Missing value handle tutorial (#645)\r\n  - WBIC tutorial (#663)\r\n\r\n**Utilities**\r\n  - New Plotting Palette (#571, #589)\r\n  - Redesign the diagnostic plotting (#581, #607)\r\n  - Raise a warning when date index is not evenly distributed (#639)","2022-01-12T00:40:37",{"id":252,"version":253,"summary_zh":254,"released_at":255},342238,"v1.0.17","* Core changes:\r\n  - Use global mean instead of median in ktrx model before next major release","2021-08-30T17:57:34",{"id":257,"version":258,"summary_zh":259,"released_at":260},342239,"v1.0.16","* Core changes\r\n  - Bug fix and code improvement before next major release (#540, #541, #546)\r\n  - lower than `matplotlib` requirement (#498)","2021-08-27T19:59:25"]