VisionTS: 视觉掩码自编码器为零样本时间序列预测器

VisionTS: 视觉掩码自编码器为零样本时间序列预测器

1. 项目介绍

VisionTS 是一个基于高质量自然图像构建的时间序列预测（TSF）基础模型。该项目与我们常见基于文本或时间序列数据的 TSF 基础模型在概念上有所不同，但它能够展现出不亚于甚至更好的性能，且无需对时间序列数据进行任何适应性修改。VisionTS 将时间序列预测任务重新定义为图像重建任务，并通过视觉掩码自编码器（MAE）进一步处理。

2. 项目快速启动

首先，确保你已经安装了 PyTorch。接下来，可以通过以下命令安装 VisionTS：

pip install visionts

安装完成后，可以参考项目中的 demo.ipynb 文件来了解如何使用 VisionTS 进行时间序列预测。该文件包含了图像重建的可视化过程。

3. 应用案例和最佳实践

零样本时间序列预测

VisionTS 在六个长期时间序列预测基准测试中进行了零样本预测评估。要复现这些测试，请确保遵循 Time-Series-Library 的说明下载数据集，并使用以下命令：

cd long_term_tsf/
bash scripts/vision_ts_zeroshot/$SOME_DATASET.sh

其中 $SOME_DATASET 是你想要测试的数据集名称。

Monash 零样本预测

此外，VisionTS 还在 29 个 Monash 时间序列预测基准测试中进行了评估。以下命令将自动下载基准测试：

cd eval_gluonts/
bash run_monash.sh

零样本和全样本预测

VisionTS 还提供了全样本预测的评估脚本。这些脚本位于 long_term_tsf/scripts/vision_ts_fullshot 目录下。使用以下命令进行评估：

cd long_term_tsf/
bash scripts/vision_ts_fullshot/$SOME_DATASET.sh

同样，$SOME_DATASET 是你选择的数据集名称。

4. 典型生态项目

VisionTS 的实现依赖于以下开源项目：

• Time-Series-Library：用于时间序列数据处理的库。
• MAE：用于图像重建的掩码自编码器。
• GluonTS：用于时间序列预测的 Gluon 风格库。

这些项目共同构成了 VisionTS 的生态系统，为其提供必要的数据处理和模型训练能力。