Time-Series-Library: 先进深度时间序列模型库
Time-Series-Library (TSLib) 是一个面向深度学习研究者，特别是深度时间序列分析领域的开源库。它提供了一个简洁的代码基础，用于评估先进的深度时间序列模型或开发您自己的模型。TSLib 涵盖了五个主流任务:长期和短期预测、插值、异常检测和分类。
🚀 主要特性
-
多任务支持: 涵盖长短期预测、插值、异常检测和分类等多个时间序列分析任务。
-
丰富的模型: 包含多种先进的深度学习模型，如TimesNet、iTransformer、PatchTST等。
-
性能排行榜: 提供各任务的模型性能排行榜，方便研究者了解最新进展。
-
易于使用: 提供详细的使用教程和示例代码，便于快速上手。
-
可扩展性: 支持自定义模型开发，可以方便地集成新模型。
📚 入门指南
-
环境配置:
pip install -r requirements.txt -
数据准备: 从Google Drive或百度网盘下载预处理好的数据集，放入
./dataset文件夹。 -
模型训练与评估: 使用提供的脚本进行实验，例如:
bash ./scripts/long_term_forecast/ETT_script/TimesNet_ETTh1.sh -
自定义模型开发:
- 在
./models文件夹中添加新模型文件 - 在
./exp/exp_basic.py的Exp_Basic.model_dict中包含新模型 - 在
./scripts文件夹下创建相应的实验脚本
- 在
🏆 模型排行榜
TSLib提供了不同任务的模型性能排行榜，以下是部分任务的top3模型：
- 长期预测 (Look-Back-96): 1. iTransformer 2. TimeMixer 3. TimesNet
- 短期预测: 1. TimesNet 2. Non-stationary Transformer 3. FEDformer
- 异常检测: 1. TimesNet 2. FEDformer 3. Autoformer
🔗 有用链接
Time-Series-Library为时间序列分析研究提供了一个强大而灵活的工具。无论您是想评估现有模型还是开发新模型，TSLib都能为您的研究提供有力支持。通过其丰富的功能和详细的文档，研究者可以更轻松地进行深度时间序列分析实验，推动该领域的发展。
