欢迎使用PaddleTS

PaddleTS 是一个易用的深度时序建模的Python库，它基于飞桨深度学习框架PaddlePaddle，专注业界领先的深度模型，旨在为领域专家和行业用户提供可扩展的时序建模能力和便捷易用的用户体验。PaddleTS的主要特性包括：

  • 设计统一数据结构，实现对多样化时序数据的表达，支持单目标与多目标变量，支持多类型协变量

  • 封装基础模型功能，如数据加载、回调设置、损失函数、训练过程控制等公共方法，帮助开发者在新模型开发过程中专注于网络结构本身

  • 内置业界领先的深度学习模型，包括NBEATS、NHiTS、LSTNet、TCN、Transformer, DeepAR（概率预测）、Informer等时序预测模型，以及TS2Vec等时序表征模型

  • 内置经典数据转换算子，支持数据处理与转换，包括缺失值填充、异常值处理、归一化、时间相关的协变量提取等

  • 内置时序数据分析算子，帮助开发者便捷实现数据探索，包括数据统计量信息及数据摘要等功能

  • 自动模型调优AutoTS发布，支持多类型HPO算法，在多个模型和数据集上展现显著调优效果

  • 支持第三方机器学习模型及数据转换模块自动集成，支持包括sklearn等第三方库的时序应用

最新更新：

  • 发布时序表征模型 Contrastive Learning of Disentangled Seasonal-trend Representations(CoST)

  • 支持时序异常检测，发布包括AE (Autoencoder)、VAE (Variational Autoencoder)、AnomalyTransformer深度学习模型

  • 支持第三方时序异常检测库 pyod 自动集成

  • 新增时序模型集成Ensemble功能。目前发布版本支持StackingEnsembleForecaster和WeightingEnsembleForecaster等2种时序预测集成学习方法

  • RNN模型现在支持使用分类特征和静态协变量

  • 新增基于表征模型的时序预测功能，支持使用时序表征模型解决时序预测任务

  • 支持基于多时序数据集的组合训练

未来，更多的高级特性会进一步发布，包括：

  • 支持时序异常检测

  • 更多时序表征模型

  • 更多概率预测模型

  • 场景化Pipeline

  • 以及更多

项目 Github: https://github.com/PaddlePaddle/PaddleTS

开始使用

安装

数据集定义、加载以及操作

数据转换

模型

评估指标

Pipeline

分析

回测

AutoTS

集成学习

XAI

API