TorchSpatiotemporal/tsl

解决的问题

Torch Spatiotemporal (tsl) 旨在加速神经时空数据处理的研究，特别专注于图神经网络 (GNNs)。它提供了一个统一的框架，简化了从数据预处理到模型原型设计的整个流程，减少了构建和基准测试时空预测模型所需的手动工作。

运作方式

基于 PyTorch、PyTorch Geometric (PyG) 和 PyTorch Lightning 构建，tsl 整合了这些库，为处理时空数据提供了高阶 API。它提供了专门的神经层和与 PyTorch 生态系统兼容的简单数据结构。该库包含用于时间序列缩放、重采样和聚类的工具，以及处理缺失数据和不规则网络结构的机制。

目标用户

从事传感器网络、环境数据或任何涉及时空数据分析与预测领域的研究人员和开发者。

特点

• 综合库：可存取时空文献中现有的数据集和模型集合，用于基准测试。
• 模块化架构：专门的神经层，允许创建自定义的模块化时空模型。
• 强大的数据处理：管理不规则性、缺失数据和网络结构变化的工具。
• 可扩展训练：与 PyTorch Lightning 的整合，实现了从单个 CPU 到 GPU 集群的轻松扩展。
• 可重现实验：使用 Hydra 框架确保实验的可重现性。
• PyTorch 编译：支持 model.compile 以在兼容模型上实现更快的训练和推理。