TS2Vec: Towards Universal Representation of Time Series

目录

• 1. 简介
• 2. 数据集和复现精度
• 3. 准备数据与环境
  • 3.1 准备环境
  • 3.2 准备数据
  • 3.3 准备模型
• 4. 开始使用
  • 4.1 模型训练
  • 4.2 模型评估
  • 4.3 模型预测
• 5. 自动化测试脚本
• 6. LICENSE
• 7. 参考链接与文献

1. 简介

论文: TS2Vec: Towards Universal Representation of Time Series

参考repo: https://github.com/yuezhihan/ts2vec

论文结构如上图所示，TS2Vec执行对比分析在增强的上下文视图上以分层方式学习，这使得能够针对每个对象进行鲁棒的上下文表示时间戳。

从一个in序列中随机抽取两个重叠的子序列-把时间序列放在xi身上，鼓励语境的一致性公共段上的表示。原始输入被馈送输入到编码器中，该编码器与时间对比度损失和实例对比度损失。总数损失在分层框架中的多个尺度上求和工作 ，实验表明，这种结构模型能得到显著的优越特性。

最后在此非常感谢yuezhihan等人贡献的Ts2Vec，提高了本repo复现论文的效率。

aistudio体验教程: 地址

2. 数据集和复现精度

格式如下：

• 数据集大小：两个有关时间序列的csv文件，分别为ETTh1和ETTm1
• 数据集下载链接：因为文件小，直接在本地文件夹可找到
• 数据格式：csv

3. 准备数据与环境

• 硬件：无要求

• 框架：

  • PaddlePaddle >= 2.2.0
  • Paddlets >= 0.1.0

• 安装指令：

  python setup.py install
  

3.2 准备数据

数据在datasets文件夹下

3.3 准备模型

预训练模型准备好了，在./output文件夹下

4. 开始使用

4.1 模型训练

训练命令：

python -u tools/train.py ETTh1 forecast_univar --loader forecast_csv_univar --repr-dims 320 --train_model_name latest.pdparams  --epochs=200

超参数在tools/train.py已经解释的很清楚

训练结果：

ETTh1:


4.2 模型评估

ETTh1:

python -u tools/eval.py ETTh1 forecast_univar --loader forecast_csv_univar --repr-dims 320 --train_model_name latest.pdparams  --epochs=200


ETTm1:

python -u tools/eval.py ETTm1 forecast_univar --loader forecast_csv_univar --repr-dims 320 --train_model_name latest.pdparams  --epochs=200

5. 自动化测试脚本

参考test_tipc

6. LICENSE

本项目的发布受Apache 2.0 license许可认证。

7. 参考链接与文献

论文: TS2Vec: Towards Universal Representation of Time Series

参考repo: https://github.com/yuezhihan/ts2vec

再次衷心的致谢百度飞桨给予我这次宝贵的经验，以及原作者repo的精巧编写。

不胜感激！