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：
-
ViTime_V1.pth：适用于回看窗口（look back window）为512
-
ViTime_1072.pth：适用于回看窗口为1072
-
ViTime_V2.pth：灵活的回看窗口输入为[256, 1024]
模型推断
以下是运行推断代码的步骤：
- 加载预训练模型。
- 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()
- 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。
广告：私人定制视频文本提取，字幕翻译制作等，欢迎联系QQ:1752338621