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

1. 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。

2. 丰富的模型: 包含多种先进的深度学习模型，如TimesNet、iTransformer、PatchTST等。

3. 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。

4. 易于使用: 提供详细的使用教程和示例代码，便于快速上手。

5. 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

1. 环境配置:

   pip install -r requirements.txt
   

2. 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。

3. 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
   

4. 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

🏆 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

• GitHub 仓库
• TimesNet 教程
• 深度时间序列模型综述

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。

文章链接：www.dongaigc.com/a/time-series-library-guide

https://www.dongaigc.com/a/time-series-library-guide