---license: Apache License 2.0 hardware_support:- NVIDIA tasks:- Domain-Specific Large Models- Time Series Forecasting---## 1. 模型效果TimesNet是清华大学软件学院团队提出的一种任务通用的时序基础模型，从一个全新的多周期（Multi-periodicity）视角对时序变化进行了分析，论文被ICLR 2023接收。TimesNet五项时序任务上均达到了SOTA。在时序预测的Electricity数据集上，预测长度为96时，TimesNet实现了0.168的MSE和 0.272的MAE性能指标。<div align=center><img width="700" src="https://user-images.githubusercontent.com/18344247/255519800-052af41d-c8cf-42d5-a9a4-c3a576b4f06f.png"></div>更多关于PaddleTS的内容，可以点击 [PaddleTS 仓库](https://github.com/PaddlePaddle/PaddleTS) 进行了解。## 2.技术方案由于时间序列呈现周期内与周期间两种时序变化，TimesNet创新性地提出将一维时序数据扩展至二维空间进行分析。具体地：（1）折叠时间序列（1D->2D）：由时间维度的快速傅立叶变换（FFT）提取周期信息，对于选定的每个周期，分别对原始的一维时间序列进行折叠；（2）提取二维时序变化表征（2D Representation）： 直接采用先进的视觉骨干网络对时序数据进行特征提取。下图展示了TimesNet的框架<div align=center><img width="700" src="https://user-images.githubusercontent.com/18344247/255518152-4344cd2f-2564-4180-87f5-f8eba2866028.png"></div>### 相关论文以及引用信息```@article{wu2022timesnet, title={Timesnet: Temporal 2d-variation modeling for general time series analysis}, author={Wu, Haixu and Hu, Tengge and Liu, Yong and Zhou, Hang and Wang, Jianmin and Long, Mingsheng}, journal={arXiv preprint arXiv:2210.02186}, year={2022}}```## 3. 如何使用### 3.1 数据准备数据准备说明参考：[长时序预测](https://ai.baidu.com/ai-doc/AISTUDIO/Clkg7m4y9#%E9%95%BF%E6%97%B6%E5%BA%8F%E9%A2%84%E6%B5%8B%E4%BB%BB%E5%8A%A1)。检查数据组织格式是否满足要求，如果不满足请按照规范说明进行调整，否则将导致数据校验环节无法通过。完成数据准备后，点击右上角 `创建模型产线` 。在 AI Studio 云端，可以通过挂载数据集的方式来使用自己的数据。模型产线创建和修改窗口可以挂载和管理数据集，如下图所示。数据集挂载成功后，需在开发者模式中查看并解压挂载的数据集，数据集路径查看方式为【开发者模式】-左侧【资源管理器】，在目录 `AISTUDIO/data` 下，数据集解压方式为【开发者模式】-左侧【菜单】-【终端】-【新建终端】，在【终端】中通过命令行方式解压，并将解压后的数据集路径拷贝到【工具箱模式】-【数据校验】-【数据集路径】。**注意：在AI Studio云端，`data`目录不持久化存储，如需持久化存储，需要将数据解压到其它目录。**在本地端-工具箱模式中，您可以直接在【工具箱模式】-【数据校验】-【数据集路径】中填写本地数据路径来使用自己的数据集。在配置完成【数据集路径】后，即可点击【开始校验】按钮进行数据集校验更多详细说明，请参[考在线文档](https://ai.baidu.com/ai-doc/AISTUDIO/Zlist35hy#%E6%95%B0%E6%8D%AE%E6%A0%A1%E9%AA%8C)。### 3.2 模型训练PaddleX提供`工具箱模式`和`开发者模式`两种开发模式:- `工具箱模式` 推荐 AI 开发经验较少的开发者使用，高阶开发者也可以使用这个模式来提高开发效率。工具箱模式利用 gradio 搭建 webui 工具链，可以实现无代码 AI 模型开发。主要包含数据校验、模型训练、评估测试和模型部署四个环节。可以根据实际需求选择模型结构、骨干网络及对应的训练参数、优化策略，使得任务效果最佳。关于工具箱模式的完整使用请参考[在线文档](https://ai.baidu.com/ai-doc/AISTUDIO/Zlist35hy)。**注意：工具箱模式中的训练轮次、批大小、学习率等参数的默认值仅适用于官方提供的示例数据集，对于自己的数据集，需要进行针对性的调整。** 可以参考参数设置经验：数据量样本量较少时，建议降低`epoch`，防止过拟合。若增大batchsize, 建议同时增大学习率。学习率对训练效果影响较大，建议放缩进行多次尝试，对于难度较大的任务，可以适当增加训练轮次数以获得更佳效果。<img src="https://user-images.githubusercontent.com/18344247/258573405-fcdb1cd9-eed6-4669-a295-57e0e94463b2.png" style="height: 300px">- `开发者模式` 推荐 AI 开发经验较丰富度的开发者使用，集成了 VSCode IDE 环境，并内置飞桨统一模型开发 API——UAPI，可以使用统一的 API 接口进行开发，仅需 5 行命令即可完成基础模型训练、推理、评估导出以及多模型组合预测。同时，在开发者模式中可以编辑工具箱模式的源码，以实现工具箱模式 DIY。关于开发者模式的完整使用请参考[在线文档](https://ai.baidu.com/ai-doc/AISTUDIO/Mlist5jov)。<img src="https://user-images.githubusercontent.com/18344247/258573175-e11e0afd-7f10-4b36-a632-029e74145a52.jpeg" style="height: 300px">### 3.3 模型部署- 部署支持情况： 目前不支持部署