时间序列预测是一个在多个领域都具有重要应用价值的研究方向。随着深度学习技术的发展,各种新的时间序列预测模型层出不穷。然而,如何公平、全面地评估和比较这些模型的性能一直是一个挑战。为了解决这个问题,研究人员开发了TFB(Time series Forecasting Benchmark)工具,这是一个旨在为时间序列预测研究提供全面公平基准测试的开源库。
TFB具有以下几个主要特点:
全面性: TFB包含了多种评估策略、评估指标和基准算法,可以从多个角度对模型进行全面评估。
公平性: TFB为所有模型提供统一的评估环境和流程,确保比较的公平性。
易用性: TFB提供了清晰的代码库和详细的文档,研究人员可以轻松地使用它来评估自己的模型。
可扩展性: 研究人员可以方便地将自己的模型和数据集集成到TFB中。
可重现性: TFB的评估结果是可重现的,有助于促进研究的透明度和可信度。
TFB的工作流程主要包括以下几个步骤:
数据准备: TFB提供了多个预处理好的数据集,研究人员也可以轻松集成自己的数据集。
模型训练: 研究人员可以使用TFB提供的接口训练自己的模型,或者直接使用TFB中已实现的基准模型。
模型评估: TFB使用多种评估策略和指标对模型进行全面评估。
结果分析: TFB生成详细的评估报告,帮助研究人员深入分析模 型性能。
相比其他时间序列预测库,TFB具有以下优势:
更全面的评估策略: TFB不仅支持传统的固定窗口评估,还支持滚动预测、递增预测等多种评估策略。
更丰富的评估指标: 除了常见的MSE、MAE等指标,TFB还包含了ND、NRMSE等专门针对时间序列预测的指标。
更强的可扩展性: TFB的设计使得研究人员可以轻松地集成新的模型、数据集和评估方法。
更好的可重现性: TFB提供了详细的配置文件和运行脚本,确保实验结果可以被轻松重现。
要开始使用TFB,研究人员可以按照以下步骤操作:
安装TFB:
pip install -r requirements.txt
准备数据: TFB提供了预处理好的数据集,可以从Google Drive下载。
运行实验: TFB提供了多个实验脚本,例如:
sh ./scripts/multivariate_forecast/ILI_script/DLinear.sh
分析结果: 实验完成后,TFB会生成详细的评估报告供分析。
TFB不仅可以用于评估现有模型,还支持研究人员开发和集成自己的方法。具体步骤可以参考开发教程。
除了使用TFB提供的数据集,研究人员还可以在自己的时间序列数据上使用TFB进行评估。详细步骤可以参考评估教程。
TFB的开发得到了学术界和业界的广泛认可。它在PVLDB 2024会议上获得了最佳论文提名,这充分证明了TFB在时间序列预测研究领域的重要贡献。
在使用TFB的过程中,研究人员可能会遇到一些常见问题。例如,如何在PyCharm中运行TFB的代码?答案是需要对命令行参数进行一些转义处理。具体可以参考TFB的FAQ部分。
TFB是一个开源项目,欢迎社区成员贡献代码、报告问题或提出建议。项目的开发得到了华为云的支持,这为TFB的持续改进提供了强有力的后盾。
如果您在使用TFB的过程中有任何问题或建议,可以联系项目维护者:
您也可以直接在GitHub上提出Issue。
TFB为时间序列预测研究提供了一个强大而灵活的基准测试平台。它不仅有助于研究人员更好地评估和比较不同的预测模型,还能促进整个领域的发展。随着更多研究人员的参与和贡献,相信TFB会在未来发挥更大的作用,推动时间序列预测技术的进步。
如果您觉得TFB对您的研究有帮助,请在您的论文中引用TFB:
@article{qiu2024tfb,
title = {TFB: Towards Comprehensive and Fair Benchmarking of Time Series Forecasting Methods},
author = {Xiangfei Qiu and Jilin Hu and Lekui Zhou and Xingjian Wu and Junyang Du and Buang Zhang and Chenjuan Guo and Aoying Zhou and Christian S. Jensen and Zhenli Sheng and Bin Yang},
journal = {Proc. {VLDB} Endow.},
volume = {17},
number = {9},
pages = {2363--2377},
year = {2024}
}
让我们共同期待TFB在时间序列预测领域带来更多突破和创新! 🚀📈
AI Excel全自动制表工具
AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支 持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。
基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。
UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。
开源且先进的大规模视频生成模型项目
Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。
全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表
爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。
一款强大的视觉语言模型,支持图像和视频输入
Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。
HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。
HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和 算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。
一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。
WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。
基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。
xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。
一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。
olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。
飞书多维表格 ×DeepSeek R1 满血版
飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号