ICLR 2023 ｜任务通用的时序分析骨干网络TimesNet

振兴镭射雕刻

我先讲述一下我的复现流程：1、copy github (https://github.com/thuml/Time-Series-Library); 2、conda create -n TNet python=3.8; 3、pip install -r requirements.txt (注意我去掉了torch, 作者在issue中说版本原因，因此我按issue安装的1.7.1，不是最新的torch); 3、download dataset (ETTh1.csv并放置在相应文件下); 4、run (bash ./scripts/long_term_forecast/ETT_script/TimesNet_ETTh1.sh); 4、result (原文结果：MSE:0.078, MAE:0.187, 复现结果：0.4015745222568512，MAE:0.42059072852134705)

大众传媒

刚刚和说无法复现的同学沟通了。他运行的是【长时预测】的脚本，但是对比的效果是【时序填补】结果，所以并不存在复现效果差的问题。

我们的这个论文涉及81个不同的setting，可能会看混，大家如果有任何问题可以随时联系我（whx20@mails.tsinghua.edu.cn）[大笑]

洣蠬

作者已做了回复，问题已解决，但是我有个疑问，为什么测试生成的图，GT图和预测图差距很大，虽然MSE等指标有了改善！这样的差距无法在实际中应用

角落里的白鸽子

作者回复了，问题已解决

詹密都是死了妈

有没有大佬解释一下分类任务中x_mark_enc是干嘛的呢？[思考]

飞翔的菜鸽

请问作者，github里面给的步骤指导里面第一条是pip install -r requirements.txt，这条命令的执行目的是什么呢？以前没接触过python，求解答[抱抱]

一无心

这条语句是安装 同一路径下requirements.txt文件中 包含的库

枫笛

谢谢你的回复

黄宇欣

你好，请问下“模型底层-顶层之间”这里底层与顶层指的是什么呢？

朝暮青丝

有工作关注这方面的问题利用类似dtw的指标