Mindket

TIME Benchmark Leaderboard

新上架第 1 版 · 更新于

概览

TIME 概率时间序列预测基准的排行榜,有总体得分、按数据集的拆分和测试窗口图。适合比较模型的预测研究者和机器学习工程师。

TIME Benchmark Leaderboard 是一款工具包,属于研究类,由 Mindket 上架。可免费获取。当前为第 1 版,最近更新于 。在本页下载,是一个装着它全部文件的 zip 压缩包。这些文件不会自己运行。

速览

你需要
  • 在线演示需要网页浏览器
  • 容器方式需要 Docker
  • 只有数据在私有数据集里时才需要 Hugging Face 令牌
用在
  • 网页浏览器:打开 Hugging Face 上的 Space 页面
  • Windows、macOS 或 Linux:在 Docker 里运行一份副本
  • 本地 Python 运行,如果你把它指向本地数据
先运行
pip install -U huggingface_hub
hf download Real-TSF/TIME-leaderboard --repo-type space --local-dir TIME-leaderboard
cd TIME-leaderboard

平台

Windows操作系统
macOS操作系统
Linux操作系统
Docker容器

关于

它是什么

这个 Space 是 TIME 的排行榜,TIME 是一个概率时间序列预测基准,在多个细节层级给模型打分。它从 Hugging Face Hub 上的数据集读取结果并在网页里展示,所以你不用自己运行模型就能对比预测模型。

适合谁

如果你构建或选择时间序列预测模型,想要一把共同的尺子,它很适合研究者和机器学习工程师,也适合学习预测模型怎样比较的学生。

行业谁在用怎么用例子
研究预测研究者把自己的模型与其他模型跨数据集对比查看一个模型系列的总体得分
能源和公用事业数据科学家查看太阳能等序列上的结果打开一个太阳能数据集的结果
公共卫生分析师看模型在病例数序列上的表现打开一个 COVID 数据集的结果
机器学习机器学习工程师通过查看测试窗口来选预测模型研究某个窗口的预测图

如果你需要对自己的数据做预测的工具,可以跳过它,因为这个页面只报告基准结果。

用在哪里

  • 网页浏览器:打开 Hugging Face 上的 Space 页面
  • Windows、macOS 或 Linux:在 Docker 里运行一份副本
  • 本地 Python 运行,如果你把它指向本地数据
用途谁用得到什么
总体对比模型研究者跨所有数据集和预测期汇总的得分
查看一个数据集分析师该数据集上的表现拆分
查看一个测试窗口机器学习工程师某个测试窗口预测的可视化

如何设置

在线页面什么都不需要。本地副本需要 Docker,或装好 requirements.txt 里的包的 Python。

  • 在线演示需要网页浏览器
  • 容器方式需要 Docker
  • 只有数据在私有数据集里时才需要 Hugging Face 令牌
  1. 想在线使用,打开 Hugging Face 上的 Space 页面。
  2. 想运行副本,先安装 Hugging Face hub 包。
  3. 把 Space 下载到本地文件夹。
  4. 进入该文件夹,构建 Docker 镜像。
  5. 运行容器并发布端口。
pip install -U huggingface_hub
hf download Real-TSF/TIME-leaderboard --repo-type space --local-dir TIME-leaderboard
cd TIME-leaderboard
docker build -t time-leaderboard .
docker run -it -p 7860:7860 time-leaderboard

README 还给出了纯 Python 安装方式,以及读取本地数据而不是 Hub 的办法。

pip install -r requirements.txt
python app.py
export USE_HF_HUB=false
python app.py

如何使用

打开页面,在三个视图之间切换。先看总体视图,再打开某个数据集的视图,然后查看单个测试窗口和它的预测图。

工具作用
总体表现显示跨所有数据集和预测期汇总的指标
数据集层面分析按单个数据集拆分表现
窗口层面可视化显示一个详细的测试窗口和它的预测图

示例

你先打开总体视图,看模型怎样排名,再挑一个你关注的模型表现不错的数据集。最后打开一个测试窗口,看它的预测与真实值怎样对上。

新手与专家

如果你是新手,预测的意思是估计一个序列未来的值,比如每日病例数。先看总体视图,了解哪些模型表现好,再打开一个数据集。

如果你熟悉这个领域,这个基准涵盖多个粒度的概率预测。应用从一个 Hub 数据集读取数据集和模型输出,由令牌、仓库、Hub 开关和缓存文件夹的环境变量控制。期望的目录结构包含序列数据、按模型分的结果文件夹和一个数据集配置文件。

  1. 应用从 Hub 或本地文件读取数据
  2. 结果按模型和数据集分组
  3. 你打开总体、数据集或窗口视图
  4. 得分和预测图出现

注意事项

这个发布仅用于研究,配合一篇学术论文,并没有针对所有下游用途评估过。作者建议在依赖它排名的任何模型之前,先检查准确性、安全性和公平性。

  • License: apache-2
  • Cost to run: 未提及,但私有数据集需要 Hugging Face 令牌
  • Data it reaches: Hugging Face Hub 上的基准数据集和结果,如果关掉 Hub 开关则读取本地文件
  • Not for: 没有自己的检查就用于生产,因为这是研究发布

README 和文件

README

TIME Benchmark Leaderboard

TIME 概率时间序列预测基准的排行榜,有总体得分、按数据集的拆分和测试窗口图。适合比较模型的预测研究者和机器学习工程师。

由 Real-TSF 在 Hugging Face 上制作。这些说明是 Mindket 根据它的 Space 页面和 README 写的,应用自己的文件和许可证在 Hugging Face 上。

简介

它是什么:这个 Space 是 TIME 的排行榜,TIME 是一个概率时间序列预测基准,在多个细节层级给模型打分。它从 Hugging Face Hub 上的数据集读取结果并在网页里展示,所以你不用自己运行模型就能对比预测模型。

适合谁:如果你构建或选择时间序列预测模型,想要一把共同的尺子,它很适合研究者和机器学习工程师,也适合学习预测模型怎样比较的学生。

行业 | 谁在用 | 怎么用 | 例子
研究 | 预测研究者 | 把自己的模型与其他模型跨数据集对比 | 查看一个模型系列的总体得分
能源和公用事业 | 数据科学家 | 查看太阳能等序列上的结果 | 打开一个太阳能数据集的结果
公共卫生 | 分析师 | 看模型在病例数序列上的表现 | 打开一个 COVID 数据集的结果
机器学习 | 机器学习工程师 | 通过查看测试窗口来选预测模型 | 研究某个窗口的预测图

如果你需要对自己的数据做预测的工具,可以跳过它,因为这个页面只报告基准结果。

用在哪里:

  • 网页浏览器:打开 Hugging Face 上的 Space 页面
  • Windows、macOS 或 Linux:在 Docker 里运行一份副本
  • 本地 Python 运行,如果你把它指向本地数据
用途 | 谁用 | 得到什么
总体对比模型 | 研究者 | 跨所有数据集和预测期汇总的得分
查看一个数据集 | 分析师 | 该数据集上的表现拆分
查看一个测试窗口 | 机器学习工程师 | 某个测试窗口预测的可视化

如何设置:在线页面什么都不需要。本地副本需要 Docker,或装好 requirements.txt 里的包的 Python。

  • 在线演示需要网页浏览器
  • 容器方式需要 Docker
  • 只有数据在私有数据集里时才需要 Hugging Face 令牌
  1. 想在线使用,打开 Hugging Face 上的 Space 页面。
  2. 想运行副本,先安装 Hugging Face hub 包。
  3. 把 Space 下载到本地文件夹。
  4. 进入该文件夹,构建 Docker 镜像。
  5. 运行容器并发布端口。
pip install -U huggingface_hub
hf download Real-TSF/TIME-leaderboard --repo-type space --local-dir TIME-leaderboard
cd TIME-leaderboard
docker build -t time-leaderboard .
docker run -it -p 7860:7860 time-leaderboard

README 还给出了纯 Python 安装方式,以及读取本地数据而不是 Hub 的办法。

pip install -r requirements.txt
python app.py
export USE_HF_HUB=false
python app.py

如何使用:打开页面,在三个视图之间切换。先看总体视图,再打开某个数据集的视图,然后查看单个测试窗口和它的预测图。

工具 | 作用
总体表现 | 显示跨所有数据集和预测期汇总的指标
数据集层面分析 | 按单个数据集拆分表现
窗口层面可视化 | 显示一个详细的测试窗口和它的预测图

示例:你先打开总体视图,看模型怎样排名,再挑一个你关注的模型表现不错的数据集。最后打开一个测试窗口,看它的预测与真实值怎样对上。

新手与专家:如果你是新手,预测的意思是估计一个序列未来的值,比如每日病例数。先看总体视图,了解哪些模型表现好,再打开一个数据集。

如果你熟悉这个领域,这个基准涵盖多个粒度的概率预测。应用从一个 Hub 数据集读取数据集和模型输出,由令牌、仓库、Hub 开关和缓存文件夹的环境变量控制。期望的目录结构包含序列数据、按模型分的结果文件夹和一个数据集配置文件。

应用从 Hub 或本地文件读取数据
结果按模型和数据集分组
你打开总体、数据集或窗口视图
得分和预测图出现

注意事项:这个发布仅用于研究,配合一篇学术论文,并没有针对所有下游用途评估过。作者建议在依赖它排名的任何模型之前,先检查准确性、安全性和公平性。

  • License: apache-2
  • Cost to run: 未提及,但私有数据集需要 Hugging Face 令牌
  • Data it reaches: Hugging Face Hub 上的基准数据集和结果,如果关掉 Hub 开关则读取本地文件
  • Not for: 没有自己的检查就用于生产,因为这是研究发布

Hugging Face 上的数据(2026年11月13日)

  • 点赞:32
  • 构建方式:docker
  • 许可证:apache-2.0

链接

  • Space:https://huggingface.co/spaces/Real-TSF/TIME-leaderboard
  • 文件:https://huggingface.co/spaces/Real-TSF/TIME-leaderboard/tree/main

试用

在浏览器里打开这个 Space,或在它的页面上把它复制到你自己的 Hugging Face 账号。这个工具包里没有会自己运行的东西。

文件
README.md  5 KB

1 个文件,共 5 KB,以 zip 压缩包下载。

更新内容

  • 第 1 版 · 2026-11-12

同类产品对比

同一分类里与本产品共有标签最多的已上架 Hugging Face Space。

产品点赞构建方式许可证最近更新
TIME Benchmark Leaderboard 本页32dockerapache-2.0
Open LLM Leaderboard共有 docker14,156dockerapache-2.0
MTEB Leaderboard共有 docker7,773dockermit
UGI Leaderboard共有 docker2,199dockerapache-2.0
Microduck Sandbox共有 docker804dockerapache-2.0
Visualize Dataset (v2.0+ latest dataset format)共有 docker754dockerapache-2.0
数据为 Mindket 在 2026-11-12 读取的数值。

评价

还没有评分

写评价

还没有评价。

Mindket 的更多商品

查看 Mindket 的全部商品

Huashu Design

alchaincyf · 技能

把你在 AI 智能体里写的一句话需求,变成一份完成的设计:发布动画、可点击的应用原型、可编辑的幻灯片、信息图,或一组小红书图片。可在多种智能体中使用。

新上架29.4k

Guizang PPT Skill

op7418 · 技能

能生成单文件 HTML 幻灯片、幻灯片配图和多平台封面的技能,有两套视觉风格,还带演讲者模式用于排练。适合使用 Claude Code 或 Codex 的演讲者。

新上架29.8k

Claude Code Skills & Plugins

alirezarezvani · 技能

为 Claude Code 和其他编程智能体提供 411 个现成技能,按角色分组,从工程、产品到营销、财务和合规。以插件方式安装。适合开发者和业务团队。

新上架29.8k

研究类的相似商品

查看研究类的全部商品

EarthJev

dBenf · 工具包

回答关于卫星图像块的类型化问题,使用 Sentinel-2 的全部 12 个波段,为每个选项返回概率,不生成文字。这是 Qwen3.5-0.8B 的微调版本,适合地球观测研究者。

新上架

getting-over-it-rl-jax

zimmerk4 · 工具包

用一个在 JAX 物理模拟器里学会的小型策略网络,从头到尾通关游戏 Getting Over It。适合强化学习研究者和好奇的动手爱好者。

新上架

ReFoCo

yuji-nozawa · 工具包

一篇研究论文的三种规模的预训练视觉 Transformer 检查点,论文研究如何训练注意力头去关注图像区域。适合提取图像特征和复现论文的研究人员。

新上架