decisionintelligence/TFB

解决的问题

TFB 解决了时序预测中缺乏公平且全面的基准测试问题。它防止了常见的评估陷阱——例如在测试中丢弃不完整的批次（即“drop-last”技巧）——这可能导致结果不一致，并对不同预测模型造成不公平的比较。

工作原理

TFB 提供了一个标准化的端到端评估流程，用于评估时序预测模型。它包含训练和测试的干净代码库、一组预处理的数据集，以及广泛的基线算法（如 DLinear、PatchTST 和 DUET）。该库还包含一个特征提取器，用于计算数据集的特性，如趋势、季节性和平稳性。

适用人群

主要面向需要使用一致评估策略，将新方法与现有基线进行开发、测试和比较的时序预测研究人员。

主要亮点

• 公平评估：在测试中消除“drop-last”操作，确保所有模型使用测试集的一致性。
• 丰富的基线：集成众多前沿预测模型，包括 TimeKAN、xPatch 和 HDMixer。
• 全面的工具：包含计算时序特征的工具，并支持对特定输入变量子集进行预测。
• 即用型数据：提供 27 个多变量数据集，可立即用于基准测试。