Time-Series-Library

项目介绍：Time Series Library (TSLib)

TSLib 是一个专门为深度学习研究人员设计的开源库，重点面向深度时间序列分析。该项目旨在为研究人员提供一个简洁而强大的代码基础，以便他们可以评估各种先进的深度时间序列模型，或开发自己的模型。TSLib 支持五大主流任务，包括长短期预测、插值（缺失值填补）、异常检测以及分类。

项目亮点

提供前沿模型与工具

• 时间序列分析任务：TSLib 支持长短期预测、缺失值填补、异常检测和分类等五大任务。研究人员可以在这个平台上运行和比较各种最新模型。

• 包含最新的模型与研究：例如，刚刚包含了 TimeXer 模型，该模型为预测定义了一个实用的外生变量预测范式。这种新范式兼顾实用性和计算效率，未来研究中可能成为最佳选择。

与时俱进的研究与发布

• 综合调研与基准：2024 年 7 月，项目组撰写了一份关于深度时间序列模型的综合调查，并在 TSLib 上进行了严谨的基准测试。此报告详细总结了现有时间序列模型的设计原则，并以洞察力为实验支撑，希望对未来研究有所帮助。

• 持续更新：项目不仅提供了最新的研究成果，例如 iTransformer 模型的实现，还致力于通过加入社区贡献来不断更新库中的模型。

截至 2024 年 3 月的排名

TSLib项目中的模型在各种任务中的表现如下：

1. 长期预测 Look-Back-96 和 Look-Back-Searching：TimeXer 和 TimeMixer 分别排名第一。
2. 短期预测、缺失值填补、分类与异常检测：TimesNet 在这些任务中均名列前茅。

使用指南

为了方便用户使用，该项目提供了详细的使用步骤：

1. 安装环境：支持 Python 3.8 版本，用户可通过简单的 pip 安装依赖。

2. 数据准备：用户可从 Google Drive 或 Baidu Drive 下载预处理好的数据集，并放置到指定的文件夹中进行实验。

3. 模型训练与评估：项目组为各个基准任务提供了实验脚本，用户可以通过运行这些脚本来复现结果。

4. 开发自定义模型：为便于用户开发和添加自己的模型，提供了详细的指导步骤。

研究成果与引用

如果本项目对您的研究有所帮助，欢迎引用项目相关的研究论文。

联系方式

如有任何疑问或建议，欢迎联系项目组成员，或在 GitHub 上提出问题。

特别鸣谢

项目得到了中国国家重点研发计划的支持，并基于多项开源项目构建而成。感谢所有贡献者的辛勤付出！希望 TSLib 能为更多研究人员和开发者提供便利与支持。