WenjieDu/PyPOTS

它解决了什么问题

现实世界的时间序列数据通常是“部分观测的”（POTS），这意味着由于传感器故障、通信错误或设备故障，数据中存在缺失值。这些缺失值使得标准机器学习模型难以应用。PyPOTS 提供了一个统一且易于使用的工具包来处理这些缺失值并执行下游分析。

它是如何工作的

PyPOTS 为广泛的机器学习算法提供了一个标准化的 API，包括经典方法和最先进的神经网络。它支持五项主要任务：数据填补（填充缺失值）、预测、分类、聚类和异常检测。对于最初并非为缺失数据设计的模型，该库应用了特定的嵌入策略和训练方法（例如 ORT+MIT），以确保它们能够有效地处理部分观测的输入。

适用人群

该项目专为处理多元时间序列数据的数据科学家、工程师和研究人员设计，他们需要在不被数据预处理和缺失值处理的复杂性所困扰的情况下进行分析。

亮点

• 支持全面的算法列表，涵盖填补、预测、分类、聚类和异常检测。
• 提供统一的 API，允许用户以最少的代码更改在不同模型之间切换。
• 通过 Optuna 框架支持超参数优化。
• 属于更广泛生态系统的一部分，该生态系统还包括用于加载数据集的工具（TSDB）和模拟缺失数据模式的工具（PyGrinder）。