Time Series Library (TSLib) 仓库介绍
TSLib 是一个开源的深度学习库，专为深度学习研究人员设计，尤其适用于深度时间序列分析。该库提供了简洁的代码基础，用于评估先进的深度时间序列模型或开发新模型，涵盖了五个主流任务：长期和短期预测、缺失值填补、异常检测和分类。
主要特点
- 多任务支持：涵盖长期预测、短期预测、缺失值填补、异常检测和分类五大时间序列任务
- 丰富模型库：包含大量当前主流的时间序列模型，如TimeXer、TimeMixer、iTransformer、PatchTST、TimesNet等
- 支持大型时间序列模型(LTSMs)：新增零样本预测功能，支持Chronos2、TiRex、Sundial等大型模型
- 标准化基准：提供严格的基准测试，建立了各任务的排行榜，方便模型性能对比
- 易用性：提供完整的实验脚本和教程，便于快速上手和复现实验结果
包含的主要模型
库中包含众多先进的时间序列模型，主要分为以下几类：
- 主流基准模型：
- TimeXer、TimeMixer、TSMixer、iTransformer
- PatchTST、TimesNet、DLinear、LightTS
- ETSformer、Non-stationary Transformer、FEDformer
-
Pyraformer、Autoformer、Informer、Reformer、Transformer等
-
新增基准模型：
- TimeFilter、KAN-AD、MultiPatchFormer、WPMixer
-
MSGNet、PAttn、Mamba、SegRNN、Koopa等
-
大型时间序列模型：
- Chronos2、TiRex、Sundial、Time-MoE
- Toto、Chronos、Moirai、TimesFM等
使用方法
- 安装Python 3.8及所需依赖：
pip install -r requirements.txt
-
准备数据：从提供的链接（Google Drive、百度云盘或Hugging Face）下载预处理好的数据集，放置在
./dataset文件夹中 -
训练和评估模型：使用
./scripts/文件夹下的实验脚本，例如：
# 长期预测
bash ./scripts/long_term_forecast/ETT_script/TimesNet_ETTh1.sh
# 短期预测
bash ./scripts/short_term_forecast/TimesNet_M4.sh
贡献与支持
欢迎研究者贡献代码或提出建议，可通过Issues或直接联系维护团队成员。仓库维护团队主要由清华大学的学生组成，包括Haixu Wu、Yuxuan Wang等。
该库持续更新，不断纳入新的模型和功能，是时间序列深度学习研究的有力工具。