TimesNet是一个用于时间序列分析的通用基础模型,它在多个时间序列分析任务中表现出色,包括短期和长期预测、插补、分类和异常检测。以下是关于TimesNet的一些关键信息:

  1. 模型架构:TimesNet基于对时间序列多周期性的观察,将复杂的时间变化分解为多个周期内和周期间变化。它通过将一维时间序列转换为基于多个周期的二维张量,利用2D卷积网络的优势来分析时间序列数据。

  2. 核心技术:TimesNet的核心是TimesBlock,它能够自适应地发现多周期性,并从变换后的2D张量中提取复杂的时间变化。TimesBlock使用了一个参数高效的Inception块来实现这一点。

  3. 任务通用性:TimesNet作为一个通用的基础模型,能够在多种时间序列分析任务中表现出色。它的设计能够有效利用计算机视觉领域中已有的2D卷积网络的优势,将其引入时间序列分析。

  4. 性能表现:TimesNet在五个主流时间序列分析任务中均取得了一致的最先进的结果,包括短期和长期预测、插补、分类和异常检测。

  5. 代码和资源:TimesNet的代码已经在GitHub上开源,可以通过以下链接访问:

  6. 研究团队:TimesNet由清华大学软件学院机器学习实验室提出,该实验室主要从事机器学习理论、算法与模型方面的科研工作,专注于深度学习、迁移学习、科学学习和人工智能大模型。

  7. 论文信息:关于TimesNet的详细研究和理论基础,可以查阅其在ICLR 2023上发表的论文:

TimesNet通过其创新的方法和卓越的性能,在时间序列分析领域提供了一个强大的工具,特别是在需要处理多周期性和复杂时间变化的场景中。

“TIMESNET: TEMPORAL 2D-VARIATION MODELING FOR GENERAL TIME SERIES ANALYSIS”由清华大学的Haixu Wu、Tengge Hu、Yong Liu等人撰写,提出了TimesNet这一通用时间序列分析模型,通过将一维时间序列转换为二维张量,利用多周期性建模时间变化,在多个任务中取得了领先成果。

核心观点

  • 多周期性时间变化建模:现实世界时间序列具有多周期性,如天气观测中的日变化和年变化、电力消耗的周变化和季度变化等。论文将时间序列的复杂时间变化分解为多个周期内和周期间变化,通过将一维时间序列转换为二维张量,把周期内和周期间变化分别嵌入到二维张量的列和行中,利用二维卷积核进行建模。
  • TimesNet模型架构:TimesNet采用模块化架构,通过TimesBlock将一维时间序列转换为二维空间,并利用参数高效的Inception块捕捉时间2D变化,可自适应发现多周期性,在不同任务中实现有效表示学习。

时间序列分析面临的挑战

时间序列分析在诸多领域应用广泛,但由于其复杂的时间模式,从一维时间序列直接建模时间变化极具挑战性。现有方法如基于RNN、CNN和Transformer的模型在处理长期依赖和复杂时间模式方面存在局限性。

TimesNet模型设计

  1. 将一维变化转换为二维变化

    • 分析时间序列的多周期性,通过快速傅里叶变换(FFT)发现周期,根据选定的频率和周期长度将一维时间序列重塑为多个二维张量,使列和行分别表示周期内和周期间变化,为后续处理带来优势。
  2. TimesBlock模块

    • 组织方式:以残差方式组织,输入一维时间序列经嵌入层投影为深度特征,每层TimesBlock处理过程包括捕捉时间2D变化和自适应聚合不同周期表示。
    • 捕捉时间2D变化:估计深度特征周期长度,转换为二维空间并经Inception块处理,得到不同周期的二维张量表示,再转换回一维空间聚合。Inception块采用多尺度二维卷积核,可同时聚合多尺度周期内和周期间变化,且共享参数提高效率。
    • 自适应聚合:基于自相关机制,根据振幅反映的频率和周期相对重要性,对不同一维表示进行加权聚合,使模型能充分捕捉多尺度时间2D变化。
    • 二维视觉骨干网络通用性:可选择不同计算机视觉骨干网络替代Inception块进行表示学习,如ResNet、ResNeXt、ConvNeXt等,实验主要基于Inception块开展,因其在性能和效率上表现平衡。

实验结果

  1. 实验设置

    • 在五个主流分析任务(长短期预测、插补、分类和异常检测)上广泛实验,采用多个基准数据集,如ETT、M4、UEA等,涵盖不同应用场景。
    • 与多种先进模型对比,包括RNN、CNN、MLP和Transformer等类型,确保实验全面性和公平性。
  2. 实验结果

    • TimesNet在所有任务中表现优异,达到当前最优水平,在长短期预测任务中,超过80%的情况下取得最佳结果;在M4数据集的短期预测中,性能超越众多先进模型;在插补任务中,从缺失数据的不规则时间序列中发现潜在模式,表现出色;在分类任务中,平均准确率达73.6%,超过之前的先进模型;在异常检测任务中,优于其他先进模型,F1分数最高。
    • 模型分析表明,TimesNet能学习不同任务所需的合适表示,如在预测和异常检测任务中学习低层次表示,在插补和分类任务中学习层次化表示,且对不同周期选择具有稳定性。

研究结论

提出的TimesNet作为通用基础模型,通过模块化架构和二维空间建模,有效处理时间序列复杂变化,在多个主流任务中表现卓越。未来将探索基于TimesNet的大规模预训练方法,以提升其在更多下游任务中的性能。