TiRex:TiRex是35M参数的轻量模型，采用xLSTM架构，无需训练即可实现零样本预测，提供点估计与分位数估计，在各类时间序列预测基准中表现卓越，兼顾长短时预测需求。【此简介由AI生成】 - AtomGit AI社区

TiRex

本仓库提供了论文TiRex: Zero-Shot Forecasting across Long and Short Horizons with Enhanced In-Context Learning中介绍的预训练预测模型TiRex。

TiRex是一个基于xLSTM的3500万参数预训练时间序列预测模型。

核心特点：

零样本预测： TiRex是一款预训练模型，无需在您的数据上进行任何训练即可执行时间序列预测。直接下载使用即可。
分位数预测： TiRex同时提供点估计和分位数估计。
长短周期预测性能领先： TiRex在各类时间序列预测基准测试中均取得最高分，详见GiftEval和ChronosZS。这些基准测试表明，TiRex在长短期预测任务中均表现出色。

文档

TiRex的详细文档可在此处查看：https://nx-ai.github.io/tirex/

安装

pip install tirex-ts

使用附加的输入/输出适配器进行安装：

pip install "tirex-ts[gluonts,hfdataset]"

您也可以使用以下命令一次性安装包含所有附加功能的 TiRex：

pip install "tirex-ts[all]"

TiRex 目前仅在 Linux 和 MacOS 系统上完成测试。

快速开始

import torch
from tirex import load_model, ForecastModel

model: ForecastModel = load_model("NX-AI/TiRex")
data = torch.rand((5, 128))  # Sample Data (5 time series with length 128)
quantiles, mean = model.forecast(context=data, prediction_length=64)

我们在 examples/quick_start_tirex.ipynb 中提供了一个扩展的快速入门示例。此笔记本还展示了如何使用时间序列数据的不同输入和输出类型。您也可以在 Google Colab 中运行它。

我们提供了用于运行基准测试的笔记本：GiftEval 和 Chronos-ZS。

TiRex 分类模型

有关使用 TiRex 分类模型的详细说明，请访问我们的文档页面和快速入门笔记本。

论文：Pre-trained Forecasting Models: Strong Zero-Shot Feature Extractors for Time Series Classification

TiRex Docker 镜像

有关在 Docker 容器中构建和运行 TiRex 的详细说明，请参阅 Docker README 或我们的部署文档。

微调 TiRex

TiRex 已为零样本预测提供了最先进的性能。因此，您无需在自己的数据上进行训练即可使用它。

如果您对在您的数据上微调模型或使用不同预训练感兴趣，请通过 contact@nx-ai.com 与我们联系。

故障排除

如果您遇到问题，请查看文档，并随时创建 GitHub issue 或发起讨论。

CUDA 内核

Tirex 可以为 sLSTM 单元使用自定义 CUDA 内核。这些 CUDA 内核在首次加载模型时进行编译。 CUDA 内核需要支持 CUDA 计算能力 8.0 或更高版本的 GPU 硬件。我们还强烈建议使用提供的 conda 环境规范。安装 xlstm 包后，将自动使用 CUDA 内核。

要安装带有 CUDA 内核的 TiRex，请运行：

pip install "tirex-ts[cuda,gluonts,hfdataset]"

显式设置自定义 CUDA 后端：

model = load_model("NX-AI/TiRex", backend="cuda")

CUDA 故障排除

本信息来源于xLSTM 代码库——有关更多详细信息，请参见该代码库：

对于 sLSTM 的 CUDA 版本，您需要指定计算能力，详情请参见https://developer.nvidia.com/cuda-gpus。或者，您也可以像下面的示例一样指定一个范围：

export TORCH_CUDA_ARCH_LIST="8.0;8.6;9.0"

对于各种使用 torch 和 CUDA 的自定义设置，请记住版本必须匹配。此外，为确保包含正确的 CUDA 库，您现在可以使用 XLSTM_EXTRA_INCLUDE_PATHS 环境变量来注入不同的包含路径，例如：

export XLSTM_EXTRA_INCLUDE_PATHS='/usr/local/include/cuda/:/usr/include/cuda/'

或在 python 中：

import os
os.environ['XLSTM_EXTRA_INCLUDE_PATHS']='/usr/local/include/cuda/:/usr/include/cuda/'

引用

如果您在研究中使用 TiRex，请引用我们的成果：

@inproceedings{auer:25tirex,
  title = {{{TiRex}}: {{Zero-Shot Forecasting Across Long}} and {{Short Horizons}} with {{Enhanced In-Context Learning}}},
  author = {Andreas Auer and Patrick Podest and Daniel Klotz and Sebastian B{\"o}ck and G{\"u}nter Klambauer and Sepp Hochreiter},
  booktitle = {The Thirty-Ninth Annual Conference on Neural Information Processing Systems},
  year = {2025}
  url = {https://arxiv.org/abs/2505.23719},
}

@inproceedings{auer:25tirexclassification,
    title = {Pre-trained Forecasting Models: Strong Zero-Shot Feature Extractors for Time Series Classification},
    author = {Andreas Auer and Daniel Klotz and Sebastinan B{\"o}ck and Sepp Hochreiter},
    booktitle = {NeurIPS 2025 Workshop on Recent Advances in Time Series Foundation Models (BERT2S)},
    year = {2025},
    url = {https://arxiv.org/abs/2510.26777},
}

许可协议

TiRex 根据 NXAI 社区许可协议进行许可。