清华提出任务通用的时序基础模型：预测、填补、分类、检测全面领先（ICLR 2023）

实现任务通用是深度学习基础模型研究的核心问题，也是近期大模型方向的主要关注点之一。

然而，在时间序列领域，各类分析任务的差别较大，既有需要细粒度建模的预测任务，也有需要提取高层语义信息的分类任务。如何构建统一的深度基础模型高效地完成各类时序分析任务，此前尚未有成型方案。

为此，来自清华大学软件学院的团队围绕时序变化建模这一基本问题展开研究，提出了任务通用的时序基础模型TimesNet，论文被ICLR 2023接收。

链接：https://openreview.net/pdf?id=ju_Uqw384Oq

代码：https://github.com/thuml/TimesNet

时序算法库：https://github.com/thuml/Time-Series-Library

TimesNet在长时、短时预测、缺失值填补、异常检测、分类五大任务上实现了全面领先。

内容中包含的图片若涉及版权问题，请及时与我们联系删除