TorchSpatiotemporal/tsl

解决的问题

提供一个统一的神经时空数据处理与预测框架，简化从数据预处理到模型原型设计的过渡。它特别解决了处理时空数据（如传感器网络和环境数据）的复杂性，通过提供工具来管理不规则性、缺失数据和变化的网络结构。

工作原理

基于 PyTorch、PyTorch Geometric (PyG) 和 PyTorch Lightning 构建，该库提供高级 API 用于创建自定义模型和数据集。它包含专用的模块化神经层以及简化时间序列缩放、重采样和聚类的预处理方法。同时与 Hydra 集成以实现可复现的实验，并利用 PyTorch Lightning 实现跨 CPU 和 GPU 的可扩展性。

适用人群

从事时空数据挖掘和神经预测的研究人员和开发者，尤其是使用图神经网络（GNN）的用户。

主要亮点

• 全面的生态系统：可访问广泛的现有时空数据集和最先进的基线模型。
• 机器人就绪的数据处理：提供处理数据流中缺失数据和不规则性的工具。
• 集成的预处理：内置时间序列缩放、重采样和聚类方法。
• 可扩展的基础设施：与 PyTorch Lightning 无缝集成，实现跨各种硬件配置的高效训练和推理。