SCINet 从入门到精通11 个主流时间序列数据集实战指南【免费下载链接】SCINetThe GitHub repository for the paper: “Time Series is a Special Sequence: Forecasting with Sample Convolution and Interaction“. (NeurIPS 2022)项目地址: https://gitcode.com/gh_mirrors/sc/SCINetSCINet 是一个基于论文《Time Series is a Special Sequence: Forecasting with Sample Convolution and Interaction》(NeurIPS 2022) 实现的时间序列预测模型支持电力、能源、金融和交通等多个领域的 11 个主流时间序列数据集能够帮助用户轻松开展时间序列预测任务。一、11 个主流时间序列数据集概览 SCINet 支持的 11 个主流时间序列数据集涵盖了不同领域具体如下1. 电力领域Electricity Transformer Temperature (ETT) 系列包括 ETTh1、ETTh2 和 ETTm1 数据集是时间序列预测领域常用的基准数据集。PeMS 系列包含 PEMS03、PEMS04、PEMS07 和 PEMS08 数据集主要用于交通流量预测。2. 能源领域Solar-Energy 数据集记录太阳能相关数据可用于太阳能发电量预测等任务。Electricity 数据集包含电力消耗等相关数据是能源领域时间序列预测的重要数据来源。3. 金融领域Exchange Rate 数据集记录汇率相关数据可用于汇率预测等金融时间序列任务。4. 交通领域Traffic 数据集包含交通流量等相关数据可用于交通状况预测等应用。二、数据集获取与准备 ⚙️1. 数据集下载所有数据集可以通过 这里 下载。若要一次性准备所有数据集只需运行项目中的prepare_data.sh脚本该脚本会创建datasets目录并下载相关数据。2. 数据集目录结构下载并准备好数据集后项目的datasets目录结构如下部分示例datasets/ETT-data/存放 ETT 系列数据集datasets/financial/存放金融领域相关数据集如electricity.txt、solar_AL.txt、exchange_rate.txt、traffic.txt等datasets/PEMS/存放 PeMS 系列数据集如PEMS03.npz、PEMS04.npz等三、针对不同数据集的实战指南 1. ETT 数据集ETT 数据集是电力变压器温度相关的时间序列数据集SCINet 针对该数据集提供了专门的运行脚本run_ETTh.py。在运行时可通过--data参数指定具体的子数据集ETTh1、ETTh2 或 ETTm1通过--root_path参数指定数据文件的根路径。2. PeMS 数据集PeMS 数据集是交通流量相关的数据集使用run_pems.py脚本进行训练和预测。通过--dataset参数选择具体的 PeMS 子数据集如 PEMS03、PEMS04、PEMS07、PEMS08。例如运行以下命令可对 PEMS08 数据集进行训练python run_pems.py --dataset PEMS08 --hidden-size 1 --dropout 0.5 --model_name pems08_h1_dp0.53. 金融领域数据集金融领域的数据集如 electricity、solar_AL、exchange_rate、traffic可通过run_financial.py脚本处理。使用--dataset_name参数指定具体的数据集名称同时可根据需求设置窗口大小、预测 horizon 等参数。以 exchange_rate 数据集为例预测 horizon 为 3 时的命令如下python run_financial.py --dataset_name exchange_rate --window_size 168 --horizon 3 --hidden-size 0.125 --lastWeight 0.5 --stacks 1 --levels 3 --lr 5e-3 --dropout 0.5 --batch_size 4 --model_name ex_I168_o3_lr5e-3_bs4_dp0.5_h0.125_s1l3_w0.5 --num_decoder_layer 2 --epochs 150四、提升模型性能的技巧 ✨1. 使用 RevIN 处理分布偏移问题RevINReversible Instance Normalization是一种轻量级的归一化方法专门用于处理时间序列预测中的分布偏移问题。在 SCINet 中只需在命令行中添加--RIN True即可启用 RevIN它能显著提升模型在 ETT 等数据集上的性能。更多关于 RevIN 的信息可参考 docs/RevIN.md。2. 调整模型参数针对不同的数据集合理调整模型参数如隐藏层大小、 dropout 率、堆叠数、层数等可以有效提升预测性能。例如在处理 Electricity 数据集时设置合适的--groups参数有助于模型更好地捕捉数据特征。五、总结 SCINet 作为一款强大的时间序列预测模型支持 11 个主流时间序列数据集涵盖电力、能源、金融和交通等多个领域。通过本文介绍的数据集概览、获取与准备方法、实战指南以及性能提升技巧相信新手和普通用户能够快速上手 SCINet开展时间序列预测相关的研究和应用。赶紧行动起来体验 SCINet 在不同数据集上的出色表现吧【免费下载链接】SCINetThe GitHub repository for the paper: “Time Series is a Special Sequence: Forecasting with Sample Convolution and Interaction“. (NeurIPS 2022)项目地址: https://gitcode.com/gh_mirrors/sc/SCINet创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
SCINet 从入门到精通11 个主流时间序列数据集实战指南【免费下载链接】SCINetThe GitHub repository for the paper: “Time Series is a Special Sequence: Forecasting with Sample Convolution and Interaction“. (NeurIPS 2022)项目地址: https://gitcode.com/gh_mirrors/sc/SCINetSCINet 是一个基于论文《Time Series is a Special Sequence: Forecasting with Sample Convolution and Interaction》(NeurIPS 2022) 实现的时间序列预测模型支持电力、能源、金融和交通等多个领域的 11 个主流时间序列数据集能够帮助用户轻松开展时间序列预测任务。一、11 个主流时间序列数据集概览 SCINet 支持的 11 个主流时间序列数据集涵盖了不同领域具体如下1. 电力领域Electricity Transformer Temperature (ETT) 系列包括 ETTh1、ETTh2 和 ETTm1 数据集是时间序列预测领域常用的基准数据集。PeMS 系列包含 PEMS03、PEMS04、PEMS07 和 PEMS08 数据集主要用于交通流量预测。2. 能源领域Solar-Energy 数据集记录太阳能相关数据可用于太阳能发电量预测等任务。Electricity 数据集包含电力消耗等相关数据是能源领域时间序列预测的重要数据来源。3. 金融领域Exchange Rate 数据集记录汇率相关数据可用于汇率预测等金融时间序列任务。4. 交通领域Traffic 数据集包含交通流量等相关数据可用于交通状况预测等应用。二、数据集获取与准备 ⚙️1. 数据集下载所有数据集可以通过 这里 下载。若要一次性准备所有数据集只需运行项目中的prepare_data.sh脚本该脚本会创建datasets目录并下载相关数据。2. 数据集目录结构下载并准备好数据集后项目的datasets目录结构如下部分示例datasets/ETT-data/存放 ETT 系列数据集datasets/financial/存放金融领域相关数据集如electricity.txt、solar_AL.txt、exchange_rate.txt、traffic.txt等datasets/PEMS/存放 PeMS 系列数据集如PEMS03.npz、PEMS04.npz等三、针对不同数据集的实战指南 1. ETT 数据集ETT 数据集是电力变压器温度相关的时间序列数据集SCINet 针对该数据集提供了专门的运行脚本run_ETTh.py。在运行时可通过--data参数指定具体的子数据集ETTh1、ETTh2 或 ETTm1通过--root_path参数指定数据文件的根路径。2. PeMS 数据集PeMS 数据集是交通流量相关的数据集使用run_pems.py脚本进行训练和预测。通过--dataset参数选择具体的 PeMS 子数据集如 PEMS03、PEMS04、PEMS07、PEMS08。例如运行以下命令可对 PEMS08 数据集进行训练python run_pems.py --dataset PEMS08 --hidden-size 1 --dropout 0.5 --model_name pems08_h1_dp0.53. 金融领域数据集金融领域的数据集如 electricity、solar_AL、exchange_rate、traffic可通过run_financial.py脚本处理。使用--dataset_name参数指定具体的数据集名称同时可根据需求设置窗口大小、预测 horizon 等参数。以 exchange_rate 数据集为例预测 horizon 为 3 时的命令如下python run_financial.py --dataset_name exchange_rate --window_size 168 --horizon 3 --hidden-size 0.125 --lastWeight 0.5 --stacks 1 --levels 3 --lr 5e-3 --dropout 0.5 --batch_size 4 --model_name ex_I168_o3_lr5e-3_bs4_dp0.5_h0.125_s1l3_w0.5 --num_decoder_layer 2 --epochs 150四、提升模型性能的技巧 ✨1. 使用 RevIN 处理分布偏移问题RevINReversible Instance Normalization是一种轻量级的归一化方法专门用于处理时间序列预测中的分布偏移问题。在 SCINet 中只需在命令行中添加--RIN True即可启用 RevIN它能显著提升模型在 ETT 等数据集上的性能。更多关于 RevIN 的信息可参考 docs/RevIN.md。2. 调整模型参数针对不同的数据集合理调整模型参数如隐藏层大小、 dropout 率、堆叠数、层数等可以有效提升预测性能。例如在处理 Electricity 数据集时设置合适的--groups参数有助于模型更好地捕捉数据特征。五、总结 SCINet 作为一款强大的时间序列预测模型支持 11 个主流时间序列数据集涵盖电力、能源、金融和交通等多个领域。通过本文介绍的数据集概览、获取与准备方法、实战指南以及性能提升技巧相信新手和普通用户能够快速上手 SCINet开展时间序列预测相关的研究和应用。赶紧行动起来体验 SCINet 在不同数据集上的出色表现吧【免费下载链接】SCINetThe GitHub repository for the paper: “Time Series is a Special Sequence: Forecasting with Sample Convolution and Interaction“. (NeurIPS 2022)项目地址: https://gitcode.com/gh_mirrors/sc/SCINet创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
![【Bug已解决】[modular] ensure branch-specific input defaults 解决方案](http://pic.xiahunao.cn/yaotu/【Bug已解决】[modular] ensure branch-specific input defaults 解决方案)
