ViTime

ViTime是一种基于视觉智能的时间序列预测（TSF）基础模型，通过利用视觉数据处理范式来增强预测能力。

主要特点

• 视觉智能 ：利用视觉数据处理技术来增强时间序列分析和预测。
• 真实时间序列（RealTS） ：一种新颖的数据合成方法，提高了模型的训练效果和性能。
• 零样本性能 ：在多样化数据集上实现了最先进的零样本预测，通常优于最佳的监督模型。

使用场景

ViTime适用于各种时间序列预测任务，包括但不限于：

• 经济预测
• 销售预测
• 季节性趋势分析
• 工业传感器数据预测
• 健康监测数据分析

快速入门

可以通过Google Colab快速尝试ViTime：Colab链接

前提条件

• Python 3.9+
• PyTorch

安装步骤

先克隆仓库：

git clone https://github.com/IkeYang/ViTime cd ViTime

然后安装所需的包：

pip install -r requirements.txt

检查点

我们提供了三个模型的权重文件，下载链接如下：

1. ViTime_V1.pth ：适用于回看窗口（look back window）为512

• 模型权重

2. ViTime_1072.pth ：适用于回看窗口为1072

• 模型权重

3. ViTime_V2.pth ：灵活的回看窗口输入为[256, 1024]

• 模型权重

模型推断

以下是运行推断代码的步骤：

1. 加载预训练模型。
2. 准备推断脚本：

import matplotlib.pyplot as plt from model.model import ViTime import numpy as np import torch

deviceNum = 0 torch.cuda.set_device(deviceNum) device = torch.device(‘cuda’ if torch.cuda.is_available() else ‘cpu’) checkpoint = torch.load(r’ViTime_V2.pth’, map_location=device) args = checkpoint[‘args’] args.device = device args.flag = ’test’

设置上采样参数

args.upscal = True # True: 最大输入长度=512, 最大预测长度=720

False: 最大输入长度=1024, 最大预测长度=1440

model = ViTime(args=args) model.load_state_dict(checkpoint[‘model’]) model.to(device) model.eval()

示例数据

xData=np.sin(np.arange(512)/10)+np.sin(np.arange(512)/5+50)+np.cos(np.arange(512)+50) args.realInputLength = len(xData) yp = model.inference(xData)

绘制结果

plt.plot(np.concatenate([xData,yp.flatten()],axis=0),label=‘Prediction’) plt.plot(xData,label=‘Input Sequence’) plt.legend() plt.show()

3. 运行推断：

python inference.py

该脚本加载ViTime模型，对示例正弦数据进行推断，并将预测序列与输入序列一起绘制出来。

实验与结果

ViTime在多样化的数据集上展示了最先进的零样本预测性能，往往优于最佳的单独训练的监督学习模型。更进一步，当用10%的训练数据进行微调时，ViTime的表现超过了用100%数据训练的最新监督学习模型；而用100%数据进行微调后，预测精度进一步大幅提升，展示了其卓越的效果。