论文地址:https://arxiv.org/abs/2210.02186
源代码地址:https://github.com/thuml/TimesNet
在长时、短时预测、缺失值填补、异常检测、分类五大任务上实现了全面领先
ICLR2023 | TimesNet: 时序基础模型,预测、填补、分类等五大任务领先 - 知乎 (zhihu.com)
1、修改了 run.py
文件,可以通过读入 yaml
文件来进行调参,同时支持命令行传参,需要注意的是,通过命令行传入的参数具有更高的优先级,可以更改自己的 yaml
文件路径,修改地点在 run.py
中,修改 cfg_path
变量即可
2、在 ./exp/exp_long_term_forecasting.py
中,加入了 tensorboard
,用来记录训练时损失函数的变化,保存路径为 ./logs/train/
,可以通过 tensorboard
来查看相关损失函数的图像
3、修改了 ./utils/tools.py
中的保存 tes
结果的相关代码,将之前保存结果的 pdf
文件格式改为 png
格式
4、关于运行代码,在写好你自己的 yaml
文件后,直接运行 run.py
即可
损失函数
预测结果
long_term_forecast_test_TimesNet_custom_ftM_sl96_ll48_pl96_dm32_nh8_el2_dl1_df32_fc3_ebtimeF_dtTrue_test_0
mse:1.3909492492675781, mae:0.7284500598907471
1、关于 requirements.txt :如果没有gpu可以安装cpu版本的torch
2、数据集格式要注意,原代码的数据集下载链接为:https://cloud.tsinghua.edu.cn/f/84fbc752d0e94980a610/