decisionintelligence/TFB

解決的問題

TFB 解決了時序預測中缺乏公平且全面的基準測試問題。它防止了常見的評估陷阱——例如在測試中捨棄不完整的批次（即「drop-last」技巧）——這可能導致結果不一致，並對不同預測模型造成不公平的比較。

工作原理

TFB 提供了一個標準化的端對端評估流程，用於評估時序預測模型。它包含訓練和測試的乾淨程式碼庫、一組預處理的資料集，以及廣泛的基線演算法（如 DLinear、PatchTST 和 DUET）。該庫還包含一個特徵提取器，用於計算資料集的特性，如趨勢、季節性和平穩性。

適用對象

主要面向需要使用一致評估策略，將新方法與現有基線進行開發、測試和比較的時序預測研究人員。

主要亮點

• 公平評估：在測試中消除「drop-last」操作，確保所有模型使用測試集的一致性。
• 豐富的基線：整合眾多前沿預測模型，包括 TimeKAN、xPatch 和 HDMixer。
• 全面的工具：包含計算時序特徵的工具，並支援對特定輸入變數子集進行預測。
• 即用型資料：提供 27 個多變量資料集，可立即用於基準測試。