PyPOTS: 一个用于分析含有缺失值的多元时间序列的机器学习工具箱

它解决了什么问题

PyPOTS 解决了分析包含缺失值的真实世界时间序列数据（部分观测时间序列，或 POTS）所面临的挑战。由于传感器故障或通信错误导致的缺失数据往往会阻碍高级数据分析和机器学习，而直到现在，该领域仍然缺乏一个专门的、统一的工具包来满足这些特定需求。

它是如何工作的

PyPOTS 提供了一个全面的 Python 工具箱，集成了大量专门为含有缺失值的多元时间序列定制的经典和最先进的机器学习算法。它提供统一的 API 和详细的文档，以简化这些模型的实现。对于最初并非为 POTS 设计的模型，该库应用了特定的嵌入策略和训练方法（例如 ORT+MIT）使其能够与缺失数据兼容。

适用人群

它专为处理时间序列数据的研究人员和工程师设计，这些人员需要处理缺失值问题，而无需在繁琐的数据预处理或手动算法实现上花费过多时间。

亮点

• 多样化的任务支持：支持填补 (imputation)、预测 (forecasting)、分类 (classification)、聚类 (clustering) 和异常检测 (anomaly detection)。
• 广泛的算法库：包括从朴素方法（均值/中位数）到先进的神经网络、时间序列基础模型 (TSFM) 以及像 GPT4TS 这样的语言大模型 (LLM)。
• 超参数优化：集成了对 Optuna 和 Microsoft NNI 的支持，用于微调神经网络模型。
• 生态系统集成：可与 TSDB（用于轻松加载数据集）和 PyGrinder（用于模拟 MCAR、MAR 和 MNAR 等缺失数据模式）协同工作。