【论文阅读】2023-ICLR：TimesNet

最新推荐文章于 2026-05-20 20:55:59 发布
原创 最新推荐文章于 2026-05-20 20:55:59 发布 · 1.8k 阅读 · 6
标签
#论文阅读 #深度学习
论文提出TimesNet模型，通过将1D时间序列转换为2D张量，利用2D卷积捕捉周期内和周期间的变化，解决了深度学习在处理时序数据时的局限性。TimesNet包含TimesBlock模块，能有效建模多个周期的时序变化，应用于预测、填补缺失值、异常检测和分类等任务。

1. 论文信息

 

2. 简介

当前深度学习方法对时序数据的建模都是将时序数据作为1D数据输入模型，然后使用RNN，RCN，或Transformer-based的方法来捕获时序数据的变化。但是，注意力机制很难从分散的时间点直接找到可靠的依赖性，因为时间依赖性在复杂的时间模式中会被深深地遮蔽。

 真实世界中，时间序列数据往往是多周期的，如图1，基于对时间序列中多周期性的观察，论文将复杂的时间变化分解为多个周期内和周期间变化。为了解决1D时间序列在表示能力上的局限性，论文将时间变化分析扩展到2D空间，方法是将1D时间系列转换为基于多个周期的一组2D张量。这种转换可以将周期内和周期间的变化分别嵌入到2D张量的列和行中，使得2D变化可以容易地由2D内核建模。

3. 模型

论文提出了TimesNet模型，通过模块化结构将复杂时序变化分解至不同周期，并通过将原始一维时间序列转化至二维空间实现了周期内与周期间变化的统一建模。

3.1 1D数据转化为2D

具体地，先通过快速傅立叶变换得到时序数据在频域的分量，保留

最低0.47元/天 解锁文章
TimesNet：用于一般时间序列分析的时间二维变化模型
qq_20144897的博客
05-15 6659
TimesNet：用于一般时间序列分析的时间二维变化模型论文解读
TimesNet：用于一般时间序列分析的时间二维变化模型（代码解析）
热门推荐
qq_20144897的博客
05-20 1万+
TimesNet：用于一般时间序列分析的二维变化模型，逐行代码解析
TimesNet 论文解读：把一维时间序列变成二维变化建模的通用时序骨干
最新发布
m0_65481401的博客
05-20 426
本文提出TimesNet模型，通过将一维时间序列转换为二维结构来建模复杂的时间变化模式。核心思路是利用FFT发现多周期性，将序列按周期reshape成二维张量，使用Inception模块同时捕捉周期内和周期间的变化。该方法通过参数共享和自适应融合机制，在保持高效的同时提升建模能力。实验表明TimesNet在预测、分类等任务上优于传统方法，为时间序列分析提供了新的结构化建模范式。
TimesNet复现结果
weixin_44907625的博客
03-16 6981
复现环境：RTX3090，22312GB显存，torch=1.8.1+cu111；大约71.3%的准确率，比论文里贴出来的差很多（73.6）。没改网络结构和超参数，直接训练。
机器学习论文浅读:TimesNet
thorn_r的博客
05-01 9955
简单介绍了TimesNet的模型架构：通过傅里叶变换提取周期，将一维的时间序列转化为n个周期并排的二维序列，以此能够使用二维卷积以及类ResBlock的结构提取特征，在短期、长期预测、分类、异常检测以及缺失值处理这5个任务上都展现出了超越其他模型的效果。
【文章学习系列之模型】TimesNet
博客标题不能为空
04-05 7496
《TIMESNET: TEMPORAL 2D-VARIATION MODELING FOR GENERAL TIME SERIES ANALYSIS》是2023年发表于ICLR上的一篇文章，主要针对时序预测问题提出了一种新方法。值得一提的是，该论文的作者同时还是2021年Autoformer的作者，因此代码的整体框架变动不大。
【论文阅读】基于深度学习的时序异常检测——TimesNet
weixin_36488653的博客
08-09 3054
基于深度学习的异常检测-TimesNet
7、TimesNet:一个通用的时间序列神经网络骨干
mantoudamahou的博客
11-03 3714
今天解读一篇文章：名字：《TIMESNET: TEMPORAL2D-VARIATIONMENERALTIMESERIESANALYSISHaixu Wu∗∗, Yong Liu∗文章自发表至今，备受盛誉。其中的TImesNet模型泛化能力强，在处理周期时序数据性能稳定，预测准确率有保障，备受学术和工程业界内的认可，下面根据我个人理解对它进行解读。本文中了ICLR2023，是清华软院龙明盛老师组的文章，本文的作者就是Autoformer。
TimesNet: 用于一般时间序列分析的时间二维变化建模
zuiyishihefang的博客
04-17 3119
文章信息论文题目为《TIMESNET: TEMPORAL 2D-VARIATION MODELING FOR GENERAL TIME SERIES ANALYSIS》，该文于2023年发表于ICLR会议。摘要时间序列分析在天气预报、异常检测和动作识别等广泛应用中具有重要意义。本文关注的是时间变化建模，这是广泛分析任务中常见的关键问题。以前的方法试图直接从一维时间序列中完成这一点，由于复杂的时间模...
论文解读 ——TimesNet 模型
m0_57328621的博客
02-22 7110
TimeNets 模型
TimesNet
To be a better man
04-27 3248
然后，将原始1D时间序列reshape成三种不同的2D形式（如果不能整除，则可以使用padding），并对这三种2D形式的序列分别采用2D卷积进行处理，最后聚合处理结果即可得到时间序列的周期性特征。下图左侧的时间序列具有三个比较显著的周期性（Period 1、Period 2、Period 3），将其reshape成三种不同的2D-variations，2D-variations的每一列包含一个时间段（周期）内的时间点，每一行包含不同时间段（周期）内同一阶段的时间点。这一步需要看代码搞懂具体怎么变换的。
TimesNet----可预测未来值
wdid945的博客
10-17 2280
同样的对于这类模型的代码通常都会十分复杂，对于新手小白来说可能参数都不知道在哪里改，因此我基于开源代码对模型进行了简化，保留了主要的预测部分，使得小白至少可以清晰的知道在哪里改参数！同样为了保证文章的创新性，依然增加了对于未来值的预测部分，并不是“伪预测”，下面就是模型的部分代码，有需要完整代码的可以咸鱼咨询，或者私信。此外对于未来300个值的预测如下图所示。从预测的结果来看，模型对于未来的近两百个数据的预测效果还是比较符合原始数据的趋势的，对于更多的未来值预测效果衰减比较严重。
长序列时间序列预测模型：Informer与TimesNet
源代码杀手的博客
10-19 3259
Informer是一种高效且强大的时间序列预测模型，专门设计用于处理长序列数据。通过引入ProbSparse自注意力机制和其他优化技术，Informer在计算效率和预测准确性方面展现了显著优势，为时间序列预测领域提供了新的解决方案。其应用范围广泛，适合于需要高效和准确预测的各类实际场景。TimesNet 是一种创新的时间序列分析模型，通过引入Temporal 2D-Variation 建模技术，有效捕捉时间序列数据中的时序和空间特性。该模型在多种实际应用中展示了出色的性能，适用于需要精准预测的场景。
论文笔记：TIMESNET: TEMPORAL 2D-VARIATION MODELINGFOR GENERAL TIME SERIES ANALYSIS
qq_40206371的博客
02-20 7563
ICLR 2023。
ICLR 2023 | 清华大学龙明盛组提出通用时间序列神经网络骨干—TimesNet
数据派THU
03-10 2334
来源：PaperWeekly本文约1900字，建议阅读5分钟本文介绍了通用时间序列神经网络骨干—TimesNet。01 简介本文中了 ICLR 2023，是清华软院老师组的文章，一如既往的 Solid。论文标题：TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis论文链接：https://openrevi...
【阅读论文】TimesNet短期预测的基本流程梳理
ZHL_562765的博客
03-25 5906
TimesNet模型基于m4数据集（quarterly类别）的short term forecasting的基本流程梳理
时间序列模型（2）：TimesNet
m0_50111178的博客
03-21 1433
TimesNet是一种基于深度学习的时序预测模型，其主要特点是能够捕捉时间序列中复杂的模式，并对未来进行准确的预测。传统方法在处理时间序列的复杂变化时面临挑战，因为它们通常试图直接从一维时间序列中捕捉这些变化，而忽略了时间序列的多周期性。TimesNet通过将一维时间序列重塑为二维张量来捕捉时间序列的多周期性，并使用卷积神经网络（CNN）来学习时间序列的模式。
【论文笔记合集】TimesNet之TimesBlock详解
slience_me的博客
01-19 3669
TimesNet之TimesBlock详解
TimesNet 代码阅读
weixin_44907625的博客
03-25 8976
总结一下，两个输出，一个period_list指不同的周长（29、14、9）的频率信号，一个period_weight指的是三个不同周长信号的频率幅值。
5分钟上手TimesNet：从时间序列混沌中提取精准预测信号
gitblog_00901的博客
09-10 545
你是否还在为电力负荷、交通流量等多维时间序列预测任务头疼？传统模型要么无法捕捉长期依赖，要么在高频噪声前束手无策。本文将带你零基础掌握Time-Series-Library中TimesNet模型的核心原理与实战技巧，通过5个步骤实现工业级时序预测系统。读完本文你将获得： - 理解TimesNet如何用傅里叶变换分析时间序列周期性 - 掌握多变量预测任务的配置与调参技巧 - 学会使用ETT数据集验证...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值