WenjieDu/SAITS

解决的问题

SAITS 是一种用于填补多变量时间序列缺失值（插补）的框架。它特别解决了 RNN 基础模型的局限性，例如训练速度慢、内存限制以及随时间累积的误差（误差累积）。

工作原理

SAITS 采用纯自注意力机制，不包含任何递归设计。它采用联合优化训练方法以提高准确性和效率。该框架具有高度灵活性，其嵌入和训练策略已被应用于超过 20 个其他预测模型，使其能够执行时间序列插补。

适用人群

需要对部分观测的时间序列数据集进行高精度、高效插补的科研人员和数据科学家。

亮点

• 高性能：在 MAE 上比 BRITS 提升 12% 至 38%，训练速度提升 2.0 至 2.6 倍。
• 高效架构：参数量显著减少（仅为标准 Transformer 的 15% 至 30%），同时保持或超越其性能。
• 非递归设计：首个在不使用递归设计的情况下，将纯自注意力机制应用于通用时间序列插补的工作。
• 工具箱集成：现已作为 PyPOTS 工具箱的一部分，便于实现。