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/