TiRex

本仓库提供预训练时间序列预测模型 TiRex，源自论文 TiRex: Zero-Shot Forecasting across Long and Short Horizons with Enhanced In-Context Learning。

TiRex 是一个基于 xLSTM 的 3500 万参数预训练时间序列预测模型。

核心特性：

• 零样本预测 (Zero-Shot Forecasting)： TiRex 是一个预训练模型，无需在您的数据上进行任何训练即可进行时间序列预测。只需下载即可使用。

• 分位数预测： TiRex 同时提供点估计和分位数估计。

• 长短 horizon 上均达到领先性能： TiRex 在各类时间序列预测基准测试中取得顶级成绩，参见 GiftEval 和 ChronosZS。 这些基准测试表明，TiRex 在短期和长期预测方面都表现出色。

文档

TiRex 的详细文档见：https://nx-ai.github.io/tirex/

安装

pip install tirex-ts

安装额外的输入/输出适配器：

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

也可以一次性安装所有扩展：

pip install "tirex-ts[all]"

目前 TiRex 仅在 Linux 和 MacOS 上测试通过。

快速入门

import torch
from tirex import load_model, ForecastModel

model: ForecastModel = load_model("NX-AI/TiRex")
data = torch.rand((5, 128))  # 示例数据（5条时间序列，长度128）
quantiles, mean = model.forecast(context=data, prediction_length=64)

我们在 examples/quick_start_tirex.ipynb 提供了更详细的快速入门示例。 该笔记本还展示了如何使用不同的时间序列输入输出类型。 您也可以在 Google Colab 上运行它。

我们提供了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 在零样本预测方面已经提供了领先的性能。因此，您可以无需在自己的数据上训练即可使用它。

如果您对在您的数据上微调或具有不同预训练的模型感兴趣，请通过 contact@nx-ai.com 联系我们。

问题排查

如果遇到问题，请查阅文档，欢迎提交 GitHub issue 或开始讨论。

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。 我们强烈建议使用提供的 conda 环境配置。 当安装 xlstm 包后，CUDA 内核会自动使用。

安装带 CUDA 内核的 TiRex：

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 问题排查

此信息取自 xLSTM 仓库 - 详见该仓库：

对于 sLSTM 的 CUDA 版本，您需要指定计算能力，参见 https://developer.nvidia.com/cuda-gpus。或者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 torch 和 CUDA 的各种自定义设置，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，请引用我们的工作：

@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},
}

许可证

TiRex 基于 NXAI 社区许可证 授权。