-👈 在PyPOTS中，数据可以被看作是咖啡豆，而写的携带缺失值的POTS数据则是不完整的咖啡豆。
-为了让用户能够轻松使用各种开源的时间序列数据集，我们创建了开源时间序列数据集的仓库 Time Series Data Beans (TSDB)
-（可以将其视为咖啡豆仓库），
-TSDB让加载开源时序数据集变得超级简单！访问 [TSDB](https://github.com/WenjieDu/TSDB)，了解更多关于TSDB的信息，目前总共支持172个开源数据集！
+👈 在PyPOTS中, 数据可以被看作是咖啡豆, 而写的携带缺失值的POTS数据则是不完整的咖啡豆.
+为了让用户能够轻松使用各种开源的时间序列数据集, 我们创建了开源时间序列数据集的仓库 Time Series Data Beans (TSDB)
+(可以将其视为咖啡豆仓库),
+TSDB让加载开源时序数据集变得超级简单！访问 [TSDB](https://github.com/WenjieDu/TSDB), 了解更多关于TSDB的信息,
+目前总共支持172个开源数据集！
👉
-为了在真实数据中模拟缺失进而获得不完整的咖啡豆，我们创建了生态系统中的另一个仓库[PyGrinder](https://github.com/WenjieDu/PyGrinder)
-（可以将其视为磨豆机），
-帮助你在数据集中模拟缺失数据，用于评估机器学习算法。根据Robin的理论[^13]，缺失模式分为三类：
-完全随机缺失（missing completely at random，简称为MCAR）、随机缺失（missing at random，简称为MAR）和非随机缺失（missing not at
-random，简称为MNAR ）。
-PyGrinder支持以上所有模式并提供与缺失相关的其他功能函数。通过PyGrinder，你可以仅仅通过一行代码就将模拟缺失引入你的数据集中。
+为了在真实数据中模拟缺失进而获得不完整的咖啡豆,
+我们创建了生态系统中的另一个仓库[PyGrinder](https://github.com/WenjieDu/PyGrinder)
+(可以将其视为磨豆机),
+帮助你在数据集中模拟缺失数据, 用于评估机器学习算法. 根据Robin的理论[^13], 缺失模式分为三类：
+完全随机缺失(missing completely at random, 简称为MCAR)、随机缺失(missing at random, 简称为MAR)和非随机缺失(missing not at
+random, 简称为MNAR ).
+PyGrinder支持以上所有模式并提供与缺失相关的其他功能函数. 通过PyGrinder, 你可以仅仅通过一行代码就将模拟缺失引入你的数据集中.
👈
-为了评估机器学习算法在POTS数据上的性能，我们创建了生态系统中的另一个仓库[BenchPOTS](https://github.com/WenjieDu/BenchPOTS),
-其提供了标准且统一的数据预处理管道来帮助你在多种任务上衡量不同POTS算法的性能。
+为了评估机器学习算法在POTS数据上的性能,
+我们创建了生态系统中的另一个仓库[BenchPOTS](https://github.com/WenjieDu/BenchPOTS),
+其提供了标准且统一的数据预处理管道来帮助你在多种任务上衡量不同POTS算法的性能.
-👉 现在我们有了咖啡豆(beans)、磨豆机(grinder)和咖啡壶(pot)，让我们坐在长凳(bench)上想想如何萃取一杯咖啡呢？
-教程必不可少！考虑到未来的工作量，PyPOTS的相关教程将发布在一个独立的仓库[BrewPOTS](https://github.com/WenjieDu/BrewPOTS)中。
-点击访问查看教程，学习如何萃取你的POTS数据！
+👉 现在我们有了咖啡豆(beans)、磨豆机(grinder)和咖啡壶(pot), 让我们坐在长凳(bench)上想想如何萃取一杯咖啡呢？
+教程必不可少！考虑到未来的工作量, PyPOTS的相关教程将发布在一个独立的仓库[BrewPOTS](https://github.com/WenjieDu/BrewPOTS)
+中. 点击访问查看教程, 学习如何萃取你的POTS数据！
@@ -204,20 +207,22 @@ PyGrinder支持以上所有模式并提供与缺失相关的其他功能函数
## ❖ 安装教程
-你可以参考PyPOTS文档中的 [安装说明](https://docs.pypots.com/en/latest/install.html) 以获取更详细的指南。
-PyPOTS可以在 [PyPI](https://pypi.python.org/pypi/pypots) 和 [Anaconda](https://anaconda.org/conda-forge/pypots) 上安装。
-你可以按照以下方式安装PyPOTS（同样适用于TSDB以及PyGrinder）：
+你可以参考PyPOTS文档中的 [安装说明](https://docs.pypots.com/en/latest/install.html) 以获取更详细的指南.
+PyPOTS可以在 [PyPI](https://pypi.python.org/pypi/pypots) 和 [Anaconda](https://anaconda.org/conda-forge/pypots) 上安装.
+你可以按照以下方式安装PyPOTS(同样适用于
+[TSDB](https://github.com/WenjieDu/TSDB), [PyGrinder](https://github.com/WenjieDu/PyGrinder),
+[BenchPOTS](https://github.com/WenjieDu/BenchPOTS), 和[AI4TS](https://github.com/WenjieDu/AI4TS):)：
```bash
# 通过pip安装
pip install pypots # 首次安装
pip install pypots --upgrade # 更新为最新版本
-# 利用最新源代码安装最新版本，可能带有尚未正式发布的最新功能
+# 利用最新源代码安装最新版本, 可能带有尚未正式发布的最新功能
pip install https://github.com/WenjieDu/PyPOTS/archive/main.zip
# 通过conda安装
-conda install -c conda-forge pypots # 首次安装
-conda update -c conda-forge pypots # 更新为最新版本
+conda install conda-forge::pypots # 首次安装
+conda update conda-forge::pypots # 更新为最新版本
```
## ❖ 使用案例
@@ -225,16 +230,16 @@ conda update -c conda-forge pypots # 更新为最新版本
除了[BrewPOTS](https://github.com/WenjieDu/BrewPOTS)之外, 你还可以在Google Colab
点击此处查看 SAITS 模型应用于 PhysioNet2012 数据集插补任务的简单案例:
``` python
-# 数据预处理，使用PyPOTS生态帮助完成繁琐的数据预处理
+# 数据预处理, 使用PyPOTS生态帮助完成繁琐的数据预处理
import numpy as np
from sklearn.preprocessing import StandardScaler
from pygrinder import mcar
@@ -246,15 +251,15 @@ X = X.drop(['RecordID', 'Time'], axis = 1)
X = StandardScaler().fit_transform(X.to_numpy())
X = X.reshape(num_samples, 48, -1)
X_ori = X # keep X_ori for validation
-X = mcar(X, 0.1) # 随机掩盖观测值的10%，作为基准数据
+X = mcar(X, 0.1) # 随机掩盖观测值的10%, 作为基准数据
dataset = {"X": X} # X用于模型输入
-print(X.shape) # X的形状为(11988, 48, 37), 即11988个样本，每个样本有48个步长(time steps)和37个特征(features)
+print(X.shape) # X的形状为(11988, 48, 37), 即11988个样本, 每个样本有48个步长(time steps)和37个特征(features)
-# 模型训练。PyPOTS的好戏上演了！
+# 模型训练. PyPOTS的好戏上演了！
from pypots.imputation import SAITS
from pypots.utils.metrics import calc_mae
saits = SAITS(n_steps=48, n_features=37, n_layers=2, d_model=256, n_heads=4, d_k=64, d_v=64, d_ffn=128, dropout=0.1, epochs=10)
-# 因为基准数据对模型不可知，将整个数据集作为训练集, 也可以把数据集分为训练/验证/测试集
+# 因为基准数据对模型不可知, 将整个数据集作为训练集, 也可以把数据集分为训练/验证/测试集
saits.fit(dataset) # 基于数据集训练模型
imputation = saits.impute(dataset) # 插补数据集中原始缺失部分和我们上面人为遮蔽缺失的基准数据部分
indicating_mask = np.isnan(X) ^ np.isnan(X_ori) # 用于计算插补误差的掩码矩阵
@@ -270,22 +275,22 @@ saits.load("save_it_here/saits_physionet2012.pypots") # 你随时可以重新
> [!TIP]
> **[2024年6月更新]** 😎
> 第一个全面的时间序列插补基准论文[TSI-Bench: Benchmarking Time Series Imputation](https://arxiv.org/abs/2406.12747)
-> 现在来了。
+> 现在来了.
> 所有代码开源在[Awesome_Imputation](https://github.com/WenjieDu/Awesome_Imputation)
-> 仓库中。通过近35,000个实验，我们对28种imputation方法，3种缺失模式(点，序列，块)，各种缺失率，和8个真实数据集进行了全面的基准研究。
+> 仓库中. 通过近35,000个实验, 我们对28种imputation方法, 3种缺失模式(点, 序列, 块), 各种缺失率, 和8个真实数据集进行了全面的基准研究.
>
> **[2024年2月更新]** 🎉
> 我们的综述论文[Deep Learning for Multivariate Time Series Imputation: A Survey](https://arxiv.org/abs/2402.04059)
-> 已在 arXiv 上发布。我们全面调研总结了最新基于深度学习的时间序列插补方法文献并对现有的方法进行分类，此外，还讨论了该领域当前的挑战和未来发展方向。
+> 已在 arXiv 上发布. 我们全面调研总结了最新基于深度学习的时间序列插补方法文献并对现有的方法进行分类, 此外,
+> 还讨论了该领域当前的挑战和未来发展方向.
-PyPOTS的论文可以[在arXiv上获取](https://arxiv.org/abs/2305.18811)，其5页的短版论文已被第9届SIGKDD international workshop
-on
-Mining and Learning from Time Series ([MiLeTS'23](https://kdd-milets.github.io/milets2023/))收录，与此同时，
-PyPOTS也已被纳入[PyTorch Ecosystem](https://pytorch.org/ecosystem/)。我们正在努力将其发表在更具影响力的学术刊物上，
-如JMLR (track for [Machine Learning Open Source Software](https://www.jmlr.org/mloss/))。
-如果你在工作中使用了PyPOTS，请按照以下格式引用我们的论文并为将项目设为星标🌟，以便让更多人关注到它，对此我们深表感谢🤗。
+PyPOTS的论文可以[在arXiv上获取](https://arxiv.org/abs/2305.18811), 其5页的短版论文已被第9届SIGKDD international workshop
+on Mining and Learning from Time Series ([MiLeTS'23](https://kdd-milets.github.io/milets2023/))收录, 与此同时,
+PyPOTS也已被纳入[PyTorch Ecosystem](https://pytorch.org/ecosystem/). 我们正在努力将其发表在更具影响力的学术刊物上,
+如JMLR (track for [Machine Learning Open Source Software](https://www.jmlr.org/mloss/)).
+如果你在工作中使用了PyPOTS, 请按照以下格式引用我们的论文并为将项目设为星标🌟, 以便让更多人关注到它, 对此我们深表感谢🤗.
-据不完全统计，该[列表](https://scholar.google.com/scholar?as_ylo=2022&q=%E2%80%9CPyPOTS%E2%80%9D&hl=en>)
+据不完全统计, 该[列表](https://scholar.google.com/scholar?as_ylo=2022&q=%E2%80%9CPyPOTS%E2%80%9D&hl=en>)
为当前使用PyPOTS并在其论文中引用PyPOTS的科学研究项目
```bibtex
@@ -306,17 +311,17 @@ PyPOTS也已被纳入[PyTorch Ecosystem](https://pytorch.org/ecosystem/)。我
非常欢迎你为这个激动人心的项目做出贡献！
-通过提交你的代码，你将：
+通过提交你的代码, 你将：
-1. 把你开发完善的模型直接提供给PyPOTS的所有用户使用，让你的工作更加广为人知。
- 请查看我们的[收录标准](https://docs.pypots.com/en/latest/faq.html#inclusion-criteria)。
+1. 把你开发完善的模型直接提供给PyPOTS的所有用户使用, 让你的工作更加广为人知.
+ 请查看我们的[收录标准](https://docs.pypots.com/en/latest/faq.html#inclusion-criteria).
你也可以利用项目文件中的模板`template`(如：
[pypots/imputation/template](https://github.com/WenjieDu/PyPOTS/tree/main/pypots/imputation/template))快速启动你的开发;
-2. 成为[PyPOTS贡献者](https://github.com/WenjieDu/PyPOTS/graphs/contributors)之一，
+2. 成为[PyPOTS贡献者](https://github.com/WenjieDu/PyPOTS/graphs/contributors)之一,
并在[PyPOTS网站](https://pypots.com/about/#volunteer-developers)上被列为志愿开发者；
3. 在PyPOTS发布新版本的[更新日志](https://github.com/WenjieDu/PyPOTS/releases)中被提及；
-你也可以通过为该项目设置星标🌟，帮助更多人关注它。你的星标🌟既是对PyPOTS的认可，也是对PyPOTS发展所做出的重要贡献！
+你也可以通过为该项目设置星标🌟, 帮助更多人关注它. 你的星标🌟既是对PyPOTS的认可, 也是对PyPOTS发展所做出的重要贡献！
@@ -338,15 +343,15 @@ PyPOTS也已被纳入[PyTorch Ecosystem](https://pytorch.org/ecosystem/)。我
## ❖ 社区组织
-我们非常关心用户的反馈，因此我们正在建立PyPOTS社区:
+我们非常关心用户的反馈, 因此我们正在建立PyPOTS社区:
- [Slack](https://join.slack.com/t/pypots-org/shared_invite/zt-1gq6ufwsi-p0OZdW~e9UW_IA4_f1OfxA):
你可以在这里进行日常讨论、问答以及与我们的开发团队交流；
- [领英](https://www.linkedin.com/company/pypots)：你可以在这里获取官方公告和新闻；
- [微信公众号](https://mp.weixin.qq.com/s/X3ukIgL1QpNH8ZEXq1YifA)：你可以关注官方公众号并加入微信群聊参与讨论以及获取最新动态；
-如果你有任何建议、想法、或打算分享与时间序列相关的论文，欢迎加入我们！
-PyPOTS社区是一个开放、透明、友好的社区，让我们共同努力建设并改进PyPOTS！
+如果你有任何建议、想法、或打算分享与时间序列相关的论文, 欢迎加入我们！
+PyPOTS社区是一个开放、透明、友好的社区, 让我们共同努力建设并改进PyPOTS！
[//]: # (Use APA reference style below)
diff --git a/docs/install.rst b/docs/install.rst
index 8e682807..6032efd6 100644
--- a/docs/install.rst
+++ b/docs/install.rst
@@ -14,8 +14,8 @@ It is recommended to use **pip** or **conda** for PyPOTS installation as shown b
pip install https://github.com/WenjieDu/PyPOTS/archive/main.zip
# via conda
- conda install -c conda-forge pypots # the first time installation
- conda update -c conda-forge pypots # update pypots to the latest version
+ conda install conda-forge::pypots # the first time installation
+ conda update conda-forge::pypots # update pypots to the latest version
Required Dependencies
diff --git a/docs/references.bib b/docs/references.bib
index 08222b54..171d63c5 100644
--- a/docs/references.bib
+++ b/docs/references.bib
@@ -765,8 +765,17 @@ @article{bai2018tcn
}
@article{zhan2024tefn,
- title={Time Evidence Fusion Network: Multi-source View in Long-Term Time Series Forecasting},
- author={Zhan, Tianxiang and He, Yuanpeng and Li, Zhen and Deng, Yong},
- journal={arXiv preprint arXiv:2405.06419},
- year={2024}
-}
\ No newline at end of file
+title={Time Evidence Fusion Network: Multi-source View in Long-Term Time Series Forecasting},
+author={Zhan, Tianxiang and He, Yuanpeng and Li, Zhen and Deng, Yong},
+journal={arXiv preprint arXiv:2405.06419},
+year={2024}
+}
+
+@inproceedings{jin2024timellm,
+title={Time-{LLM}: Time Series Forecasting by Reprogramming Large Language Models},
+author={Ming Jin and Shiyu Wang and Lintao Ma and Zhixuan Chu and James Y. Zhang and Xiaoming Shi and Pin-Yu Chen and Yuxuan Liang and Yuan-Fang Li and Shirui Pan and Qingsong Wen},
+booktitle={The Twelfth International Conference on Learning Representations},
+year={2024},
+url={https://openreview.net/forum?id=Unb5CVPtae}
+}
+