📦 数据集 (Dataset) | 🛠️ 数据缩放 (Scaler) | 🧠 模型约定 (Model) | 📉 评估指标 (Metrics)
🏃♂️ 执行器 (Runner) | 📜 配置文件 (Config) | 📜 基线模型 (Baselines)
如果你觉得这个项目对你有帮助，别忘了给个⭐Star支持一下，非常感谢！
BasicTS 一方面通过 统一且标准化的流程，为热门的深度学习模型提供了 公平且全面 的复现与对比平台。
另一方面，BasicTS 提供了用户 友好且易于扩展 的接口，帮助快速设计和评估新模型。用户只需定义模型结构，便可轻松完成基本操作。
你可以在快速上手找到详细的教程。另外，我们正在收集 ToDo 和 HowTo，如果您需要更多功能（例如：更多数据集或基准模型）或教程，欢迎提出 issue 或在此处留言。
Important
如果本项目对您有用，请引用如下文献:
@article{shao2023exploring,
title={Exploring Progress in Multivariate Time Series Forecasting: Comprehensive Benchmarking and Heterogeneity Analysis},
author={Shao, Zezhi and Wang, Fei and Xu, Yongjun and Wei, Wei and Yu, Chengqing and Zhang, Zhao and Yao, Di and Jin, Guangyin and Cao, Xin and Cong, Gao and others},
journal={arXiv preprint arXiv:2310.06119},
year={2023}
}通过统一且全面的流程，用户能够公平且充分地对比不同模型在任意数据集上的性能表现。
最简代码实现
用户只需实现关键部分如模型架构、数据预处理和后处理，即可构建自己的深度学习项目。基于配置文件控制一切
用户可以通过配置文件掌控流程中的所有细节，包括数据加载器的超参数、优化策略以及其他技巧（如课程学习）。支持所有设备
BasicTS 支持 CPU、GPU 以及分布式 GPU 训练（单节点多 GPU 和多节点），依托 EasyTorch 作为后端。用户只需通过设置参数即可使用这些功能，无需修改代码。保存训练日志
BasicTS 提供 `logging` 日志系统和 `Tensorboard` 支持，并统一封装接口，用户可以通过简便的接口调用来保存自定义的训练日志。BasicTS 支持多种类型的数据集，涵盖时空预测、长序列预测及大规模数据集，例如：
- METR-LA, PEMS-BAY, PEMS03, PEMS04, PEMS07, PEMS08
- ETTh1, ETTh2, ETTm1, ETTm2, Electricity, Exchange Rate, Weather, Traffic, Illness, Beijing Air Quality
- SD, GLA, GBA, CA
- ...
BasicTS 实现了多种经典模型、时空预测模型和长序列预测模型，例如：
- HI, DeepAR, LightGBM, ...
- DCRNN, Graph WaveNet, MTGNN, STID, D2STGNN, STEP, DGCRN, DGCRN, STNorm, AGCRN, GTS, StemGNN, MegaCRN, STGCN, STWave, STAEformer, GMSDR, ...
- Informer, Autoformer, FEDformer, Pyraformer, DLinear, NLinear, Triformer, Crossformer, ...
详细的安装步骤请参考 快速上手 教程。
请参阅论文 多变量时间序列预测进展探索：全面基准评测和异质性分析。
感谢这些优秀的贡献者们 (表情符号指南)：
 S22 🚧 💻 🐛 |
 LMissher 💻 🐛 |
 CNStark 🚇 |
 Azusa 🐛 |
 Yannick Wölker 🐛 |
 hlhang9527 🐛 |
 Chengqing Yu 💻 |
 Reborn14 📖 💻 |
 blisky-li 💻 |
 TensorPulse 🐛 |
此项目遵循 all-contributors 规范。欢迎任何形式的贡献！
BasicTS 是基于 EasyTorch 开发的，这是一个易于使用且功能强大的开源神经网络训练框架。