LongxingTan/Time-series-prediction

解决的问题

TFTS（TensorFlow Time Series）简化了时间序列任务（如预测、分类和异常检测）的实现。它提供了一个统一的接口，可访问经典和最先进的深度学习模型，减少了构建和实验复杂时间序列架构所需的工作量。

工作原理

基于 TensorFlow 和 Keras 构建，该库使用 AutoModel 和 AutoConfig 系统，用户只需更改模型名称字符串，即可在 Transformer 或 RNN 等不同模型架构之间切换。它支持多种数据输入格式，包括 NumPy 数组、tf.data.Dataset 和 tf.keras.utils.Sequence，并提供 KerasTrainer 来处理训练和保存过程。

适用人群

专为研究人员、行业从业者以及数据科学竞赛参与者设计，他们无需从零开始构建每个架构即可实现高性能时间序列模型。

主要亮点

• 广泛的模型支持：包含 RNN、TCN、BERT、N-BEATS、DLinear、Seq2Seq、WaveNet、Transformer、Informer、Autoformer 和 TFT 的实现。
• 灵活的数据处理：支持仅编码器和编码器-解码器输入结构，可处理历史值和未来时间特征。
• 任务多样性：能够处理预测、分类和异常检测任务。
• 可扩展性：允许用户以 AutoBackbone 为基础构建自定义模型，并添加自定义头部或嵌入层。