Skip to content
BranchesTags

Repository files navigation

TSFM_Lib

第一次作业(https://github.com/fireball0213/TSA_basic )我们使用了传统的深度学习代码框架，在完全固定的框架下体验了时序分析中的基本技巧和基本设定。在本次作业中，我们将难度和复杂性全面升级，改用了最新的 TSFM（Time Series Foundation Models）模型进行 zero-shot 预测，采用 GIFT-Eval 框架，完成半开放式的复现任务。

TSFM 的核心特点是：在大规模多源时序数据上进行预训练，具备较强的 zero-shot 迁移能力，能够在“未见过的下游数据集”上直接给出具有竞争力的预测结果。近两年，TSFM 逐渐成为时序预测领域的主流方向，各大公司和高校都在持续推出新的 TSFM 模型。与此同时，GIFT-Eval 提供了一个公认的、统一的 时序基础模型排行榜，从多个领域、多种频率、多步预测角度系统评估 TSFM 的 zero-shot 能力。

本次作业的目标是：在一个统一的框架和环境下，构建一个由 TSFM 组成的 model zoo，让同学们：

  • 熟悉最新 TSFM 的 zero-shot 预测能力；熟悉 GIFT-Eval 这一最新的时序基础模型 benchmark；
  • 了解其中关键参数（如 context_len、prediction_length、批大小等）对模型性能与稳定性的影响；
  • 学会在一个统一代码框架中整合与复现前沿模型；
  • 初步掌握模型选择和推荐的思路方法。

作业概览

任务一：在统一框架下运行多种 TSFM，检查他们的结果（10 pts）

  1. 在本地配置好环境，完成 离线 数据与模型准备；
  2. 运行现有的示例 TSFM（Chronos / Moirai / TimesFM / Sundial），验证框架跑通。

任务二：复现新的 TSFM 方法到框架代码中（50 pts）

  1. 在 GIFT-Eval 排行榜中随机选择 2 个排名靠前的 TSFM，将其整合到本框架中；
  2. 检查新 TSFM 的结果和性能，确保指标范围合理，复现成功；
  3. 统一运行 model zoo 中所有模型，比较它们在不同 context_len 下的性能变化。

任务三：复现新的 selector 方法（40 pts） + （bonus 40 pts）

  1. 实现一个新的 selector 方法，对不同的下游预测任务推荐不同的模型进行预测
  2. 与基线 selector 进行性能对比，如果在全部数据集上的avg_Rank能够超越基线，可以获得bonus分数。

⚠️ 本作业 推荐采用本地离线方式：
所有数据和模型文件从 HuggingFace 或其他来源预先下载到本地，运行时 不再从网络在线拉取，框架直接从 Dataset_Path/ 和 Model_Path/ 目录加载。

任务一： 代码部署与测试 (10 pts)

任务一中，主要进行环境准备和部署测试，你并不需要修改任何代码。

1. 环境准备与项目克隆

本项目支持 Linux 与 Windows，建议在Linux环境下使用GPU运行，使用 Anaconda / Miniconda 管理 Python 环境，注意将路径替换为你自己的实际路径。

# 1）克隆仓库
git clone https://github.com/fireball0213/TSFM_Lib.git
cd TSFM-Lib

# 创建并激活环境
conda create --name myenv python=3.10
conda activate myenv

# 安装核心依赖
pip install -r requirements_core.txt

# 【重要！】核心依赖安装完成后，再手动安装下面两个可能存在依赖冲突的包版本，可忽略冲突警告
pip install gluonts==0.15.1
pip install transformers==4.40.1

2. 一键配置项目路径（.env）

本项目通过根目录下的 .env 文件来获取项目根路径。 数据和模型都放在项目根路径下的子目录（Dataset_Path/ 与 Model_Path/），因此只需要设置项目绝对路径：

2.1 Linux
cd /path/to/TSFM-Lib   # 请替换为你的真实路径

# 生成或覆盖 .env 文件，仅包含项目根路径
echo "Project_Path=$(pwd)" > .env

生成的 .env 类似：

Project_Path=/home/yourname/projects/TSFM-Lib
2.2 Windows （CMD）
cd C:\path\to\TSFM-Lib   :: 请替换为你的真实路径

:: 生成或覆盖 .env 文件，仅包含项目根路径
echo Project_Path=%cd%> .env

3. 准备数据与预训练模型（离线方式）

本作业统一采用 本地离线 的方式加载数据与模型，运行时 不会 再从 HuggingFace 等网站自动下载，请提前从https://box.nju.edu.cn/d/275f6b45548c4763a72f/ 中下载下述文件：

  • Dataset.zip：包含 GIFT-Eval 所需的所有数据集（ett1、ett2、m4、solar 等），下载后将其内容解压到TSFM-Lib/Dataset_Path中
  • Model.zip：包含预先下载好的 TSFM 预训练模型（Chronos、Moirai、TimesFM、Sundial 等），下载后将其内容解压到TSFM-Lib/Model_Path中

成功后，应当看到如下目录：

TSFM-Lib/
  ├── Dataset_Path/
  │   ├── dataset_config.py # 数据集信息
  │   ├── ett1/
  │   ├── ett2/
  │   ├── m4_hourly/
  │   ├── m4_weekly/
  │   ├── solar/
  │   └── ...  # 其他数据集
  └── Model_Path/
      ├── model_zoo_config.py # 模型库信息
      ├── chronos-models/chronos-bolt-tiny/
      ├── moirai-models/moirai-1.0-R-small/
      ├── sundial-models/Sundial-base_128m/
      └── timesfm-models/timesfm-2.5-200m-pytorch/

4. 运行现有 TSFM 模型，验证环境

4.1 Linux
cd /path/to/TSFM-Lib
conda activate myenv

# 单个模型运行：使用 GPU 0 运行 Chronos bolt_tiny，context_len 采用默认设置
CUDA_VISIBLE_DEVICES=0 python run_model_zoo.py \
  --run_mode "zoo" \
  --models "chronos" \
  --size_mode "bolt_tiny" \
  --batch_size 128

# 一键全部运行：使用 GPU 0 运行全部模型的首个 size，context_len 固定为 512
CUDA_VISIBLE_DEVICES=0 python run_model_zoo.py \
  --run_mode "zoo" \
  --models "all_zoo" \
  --size_mode "first_size" \
  --batch_size 128 \
  --fix_context_len \
  --context_len 512
4.2 Windows（CMD）
cd C:\path\to\TSFM-Lib
conda activate myenv

:: 使用 GPU 0 运行 Chronos bolt_tiny，context_len 采用默认设置
set CUDA_VISIBLE_DEVICES=0
python run_model_zoo.py --run_mode "zoo" --models "chronos" --size_mode "bolt_tiny" --batch_size 128

:: 使用 GPU 0 运行全部模型的首个 size，context_len 固定为 512
set CUDA_VISIBLE_DEVICES=0
python run_model_zoo.py --run_mode "zoo" --models "all_zoo" --size_mode "first_size" --batch_size 128 --fix_context_len --context_len 512

运行成功后，各模型的结果会自动写入 results/ 目录（按模型名、context_len 等分子目录存放）。

为了方便调试，框架代码还支持以下可选参数（全部作业任务都支持）

--debug_mode #打印更多过程输出
--skip_saved #运行时跳过已保存结果的数据集

5. 使用 check_TSFM.py 检查运行结果

本次作业选取了50个运行速度较快的数据集configurations，数据集的具体细节详见 GIFT-Eval 论文（https://arxiv.org/pdf/2410.10393 ）中的附录 E。

现有模型运行完成后，可以使用 check_TSFM.py 对结果进行汇总和检查。

python check_TSFM.py

脚本会：

  • 读取 results/ 目录下的结果文件（如 all_results.csv 等）；
  • 检查缺失或异常文件；
  • 汇总各模型在不同数据集上的性能指标，打印对比表格。

任务二：复现两个新的TSFM (50 pts)

任务二中，你需要修改 Model_Path/model_zoo_config.py / model_zoo/New_TSFM_1_model.py / model_zoo/New_TSFM_2_model.py 这三个文件，在评估阶段，你需要修改check_TSFM.py来遍历更多参数

本任务是本次作业的核心部分，要求同学 从 GIFT-Eval 排行榜中选择两个新的 TSFM 模型，并完整复现到当前框架中，包括：

  • 找到官方代码和 HuggingFace 模型仓库；
  • 按官方示例跑通模型（先在原生环境中成功运行）；
  • 将运行环境、关键参数、数据处理逻辑与本框架对齐；
  • 以 离线、本地加载 的方式加入 model_zoo，并在统一脚本 run_model_zoo.py 中参与对比。

下面给出推荐步骤与注意事项。

1. 选择模型并收集信息

  1. 打开 GIFT-Eval 排行榜，在 overall 榜单下全选所有模型：

    https://huggingface.co/spaces/Salesforce/GIFT-Eval

  2. 从排行榜的 前 20 名 中挑选尚未出现在当前 model zoo 中的两个 TSFM（相同模型的不同size视作同一个TSFM） 已经包含的示例模型包括：

    • Chronos_model.py
    • Moirai_model.py
    • TimesFM_model.py
    • Sundial_model.py

  3. 对每个新模型，至少记录以下信息，后续在报告中使用：

    • HuggingFace 模型仓库链接；
    • 官方 GitHub 代码链接；
    • 论文标题、会议/期刊；
    • 是否支持多变量预测（multivariate）；
    • 输入/输出格式定义（context_len、prediction_length、特征维度等）；
    • 是否提供不同 size（如 small / base / large）

  4. 对每个新模型，建议选择 发布时间最新、参数量最小的版本，选择一个版本即可

2. 在原始仓库中跑通官方示例代码

在将模型移植到本框架之前，务必先在官方代码环境中跑通一次示例，理解基本调用方式。建议独立创建一个临时目录或 conda 环境，用于测试原始代码，避免破坏本作业环境。

  1. 克隆官方 GitHub 仓库，或在本地新建一个简单脚本，按照官方 README 中的示例调用 HuggingFace 模型；
  2. 在官方示例中重点观察以下参数的 传递方式与含义：
    • context_len（历史窗口长度 / 输入长度）；
    • prediction_length（预测步数，通常与 GIFT-Eval 配置相关）；
    • batch_size（一次前向的序列数）；
    • 数据的时间频率（freq，例如 "H"、"D"、"W"），是否需要显式指定；
    • 模型对缺失值 / NaN 的处理机制（是否需要在输入前手动填补缺失）。
  3. 注意部分模型可能默认“在线下载”权重，代码中可能出现：
    • from_pretrained("xxx/yyy")
    • force_download=True
    • revision="main" 等参数
    • 在本作业中，我们强调 本地离线 调用，即模型文件预先下载到 Model_Path/ 中再加载，而不是运行时联网下载(速度较慢且不稳定)，如果官方示例代码默认在线调用，且未显示保留支持本地调用的接口，则可能需要在官方源代码中寻找上述参数进行手动修改
    • 本框架中，会在 Model_Path/model_zoo_config.py 中为每个模型记录 model_local_path，统一管理，自动加载

3. 将模型整合进框架代码：关键步骤与注意事项

整合过程大致分为三步：

  1. 在 Model_Path/ 中放置模型文件；
  2. 在 Model_Path/model_zoo_config.py 中注册模型；
  3. 在 model_zoo/New_TSFM_1_model.py / model_zoo/New_TSFM_2_model.py 中实现封装类。

步骤 1：整理模型文件到 Model_Path/

假设你选中的第一个模型名称为 new-tsfm-base，建议在 Model_Path/ 下创建结构类似：

Model_Path/
  ├── NewTSFM1-models/
  │   └── new-tsfm-base/          # 从 HuggingFace 下载解压后的模型文件和配置文件
  └── NewTSFM2-models/
      └── ...

命名规则和层次结构可以参考已有模型，如 chronos-models/chronos-bolt-tiny/。确保在后续配置中使用一致的路径。

步骤 2：在 Model_zoo_details 中注册新模型

打开 Model_Path/model_zoo_config.py，按照文件中已有的示例，找到并修改：

  • Model_zoo_details：模型详细信息总表；
  • MULTIVAR_TSFM_PREFIXES：支持“原生多变量预测”的模型前缀列表。

为你的两个模型分别在Model_zoo_details中新增一条配置，详细指南参见 Model_Path/model_zoo_config.py

✅ 如果模型 原生支持多变量预测，即可以一次性接收多通道输入并联合建模（典型如 Moirai、VisionTS），请将其前缀加入 dataset_config.py 中的 MULTIVAR_TSFM_PREFIXES。 若模型只能逐通道预测，则不要加入该列表。

步骤 3：在 New_TSFM_1_model.py / New_TSFM_2_model.py 中实现封装

打开：

  • model_zoo/New_TSFM_1_model.py
  • model_zoo/New_TSFM_2_model.py

代码中已经预留好类定义与 TODO 注释，在实现过程中，重点注意以下几点：

  1. context_len 的处理
    • 不同模型对最大 context_len 可能有软 / 硬限制，为保证模型间的公平比较，建议开启 fix_context_len 模式，手动维护模型能够接受命令行传入的 --context_len 覆盖默认值；
    • 确保模型在调用时，使用的是修改后的 context_len
  2. freq 映射
    • GIFT-Eval 数据的频率等信息存储在 Dataset_Path/dataset_properties.json；
    • 部分模型（如 TimesFM_model.py）要求显式传入时间频率（如 "H"、"D"），而且不同项目对频率的字符串写法可能略有区别；
    • 请参考已有模型的写法，确保读取的 freq 能正确传入新模型。
  3. prediction_length
    • GIFT-Eval 每个配置指定了预测长度 term，在本框架中由 data.py 和 Dataset 类统一管理；
    • 在封装新模型时，要确保模型的 prediction_length 与该配置严格一致；
    • 若模型只能输出固定长度（比如 96），且与 GIFT-Eval 的 prediction_length 不一致，需要在报告中说明，并尽量处理为可比较的形式（比如截断）。
  4. 缺失值 (NaN) 处理
    • 有些模型（例如TimesFM）对输入中的 NaN 非常敏感，一旦出现就会输出 NaN；
    • 本框架中提供了 utils/missing.py，可以参考已有模型（如 TimesFM_model.py）中如何调用 fill_missing 函数；
    • 请确保在送入模型之前，输入张量中不存在未处理的 NaN。
  5. 统一输出格式
    • 所有模型预测最终都需要产生统一结构的 GluonTS Forecast 对象输出，用来支持统一的评估流程，具体格式和实现方式参考示例文件
    • 需要根据模型是否具备多分位的输出能力，决定是将输出转换为QuantileForecast 还是 SampleForecast

4. 结果检查与评估

在完成新模型后，请至少进行如下检查：

  1. 基础跑通检查

    • 使用你在任务一中已经跑通的命令，替换 --models 参数为新模型名称，运行若干个配置；
    • 确认不会出现明显的报错（例如路径找不到、维度不匹配、NaN 传播到输出）。

  2. 多种 context_len 的性能对比

    • 设置--models "all_zoo"，在 --fix_context_len 模式下，尝试几个不同的 context_len（默认值为512）；
    • 运行python check_TSFM.py，检查新模型在不同长度下的 sMAPE、MASE、Rank 等指标是否有合理变化，总结你发现的规律：
    • 如果结果过于夸张（如 sMAPE=10^5、MASE 为负数或极大值）通常说明维度对齐存在问题，请优先检查对数据集多个channels (variates)、series、windows的对齐方式；

任务三：复现一个新的模型选择方法 (40 pts + bonus 40 pts)

任务三中，你需要在 selector/my_fancy_select.py 中实现一个新的模型选择方法，并在 selector/select_config.py 中完成配置，使其与现有框架兼容；在评估阶段，你需要修改 check_selector.py，将你的方法纳入统一的结果汇总与对比。

1. 背景与目标

在任务一和任务二中，你已经会：

  • 在统一框架下运行多个 TSFM；
  • 新增TSFM，了解其在调用过程中的细节
  • 比较不同模型在不同数据集、不同 context_len 下的性能。

实际应用中，不同 TSFM 的能力差异很大，没有任何单个模型能在所有数据集上同时最优；如果在每个新任务上都暴力遍历全部模型，计算开销非常大，且不现实。

因此我们需要一种 模型选择（selector）方法：在不遍历所有模型的前提下，尽可能为每个下游任务匹配一个“接近最佳”的 TSFM。
在本框架中，Real_Select 提供了“理想上限”（oracle），即在真实性能上挑选最优模型；而你需要设计一个 可实现的 selector，尽量逼近这个上限。

2. 需要修改/新增的文件

本任务相关的核心文件包括：

  • selector/baseline_select.py
    已实现 4 个基线 selector 方法，供你参考它们的调用方式与接口形式。
  • selector/my_fancy_select.py
    你需要在这里实现自己设计的 selector 方法。
  • selector/select_config.py
    你需要在这里为新方法补充配置，使其可以通过命令行参数调用。
  • check_selector.py
    你需要在标记 TODO 的位置，添加新方法的结果命名与汇总逻辑，便于统一对比。
  • （可选）base_model.py
    如你的 selector 需要新增参数，需要在 get_save_path 的 TODO 位置，修改结果文件保存逻辑，把这些参数编码进文件名，方便区分不同设置下的结果。

3. 设计你的 selector 方法

你需要任选一个 基于特征学习 / 元学习 / 迁移学习 / 表征学习 / 其他先进机器学习思想 的模型选择方法，将其“为任务选模型”的核心策略嵌入到 selector/my_fancy_select.py 中。

一些建议方向（仅供灵感参考）：

  • 利用数据统计特征（如趋势、季节性、波动性、ACF/PACF 等）构建 task embedding，然后匹配最适合该 task embedding 的模型；
  • 基于预训练 TSFM 的中间表示，做一次“任务-模型相似度”的匹配；
  • 类似 few-shot learning / meta-learning，根据少量验证窗口的性能来快速估计各模型在该任务上的排名；
  • 借鉴图像、文本等领域已有的模型选择方法，只要你能合理迁移到时序任务即可（主要关注时序数据在滑动窗口和多变量方面的特点）。

注意（多变量时序的特殊性）：
时序任务中往往是多通道（multivariate），你需要思考：

  • 是把所有通道拼在一起构造一个整体的 task 表征；
  • 还是先对每个通道单独选择模型，再想办法汇总成一个最终模型顺序；
  • 或者设计其他更合理的融合策略。

最终，你的方法需要在每个下游任务上给出一个 model_order。后续预测流程（根据 model_order 和 ensemble_size 选择模型、执行推理）由框架自动完成。

对你的模型选择方法，至少记录以下信息，后续在报告中使用：

  • 方法的来源，如论文（论文标题、会议/期刊）、代码库（如官方 GitHub 代码链接），或其他来源
  • 如何处理多变量的时间序列
  • 有哪些主要参数，参数的主要影响
  • 你对该方法优势和劣势的分析与思考

4. 基线 selector 方法与参考

在 selector/baseline_select.py 中提供了 4 个基线方法，全部继承自 Baseline_Select_Model，主要包括：

  • All_Select：使用全体模型进行集成；
  • Recent_Select：偏向选择最近发布的模型；
  • Random_Select：随机选择模型（可指定 --seed）；
  • Real_Select：利用真实评估结果得到“真实模型顺序”（oracle），作为模型选择方法的理论上限，不能在你自己的方法中直接使用。

这些基线方法：

  • 统一继承自 Baseline_Select_Model；
  • 内部都包含计算 model_order 的核心逻辑；
  • 封装了大量辅助函数，用于基于model_order，读取保存好的TSFM的预测结果，并逐通道地组合他们，完成selector最后的预测环节。你无需修改这些环节，只需专注于“如何为每个任务计算模型排序”。

基线方法的调用示例（Linux）：

# All_Select
python run_model_zoo.py \
  --run_mode "select" \
  --models All_Select \
  --fix_context_len

# Recent_Select
python run_model_zoo.py \
  --run_mode "select" \
  --models Recent_Select \
  --fix_context_len

# Random_Select（注意需要设置 seed）
python run_model_zoo.py \
  --run_mode "select" \
  --models Random_Select \
  --seed 1 \
  --fix_context_len

# Real_Select（使用真实顺序，作为 oracle 上限）
python run_model_zoo.py \
  --run_mode "select" \
  --models Real_Select \
  --fix_context_len \
  --real_order_metric "MASE"

5. model_order 与禁止使用的信息

框架中，model_order 以自然数形式存储模型排序，而“模型编号”的定义是：

  • 根据你在 Model_Path/model_zoo_config.py 中维护的 release_date 属性，对所有 TSFM 按“旧 → 新”的顺序自动编号；
  • 这个编号只是一个固定排列，方便统一管理。

在实现自己的 selector 时：

  • ✅ 你 可以：
    • 利用各个 TSFM 在一部分训练/验证窗口上的性能，估计在该任务上的优劣，并据此生成 model_order；
    • 利用任务特征、模型特征等任何不泄露测试集真实表现的信息；
  • ❌ 你 不可以 使用的“作弊信息”包括（但不限于）：
    • TSFM 的 release_date 本身作为“优劣特征”；
    • Real_Select 或 Real_Select_Model 中预先计算好的、在测试集上得到的真实 model_order；
    • 任何直接基于完整测试集性能的排序结果。

此外：

  • 不要通过在不同 selector 间调整 ensemble_size 来“刷分”。对比时请保证 ensemble_size 一致；
  • 如需为你的 selector 增加额外参数（例如不同的 task 表征方式），可以在 base_model.py 的 get_save_path 的 TODO 处修改结果文件命名逻辑，让不同参数设置的结果可以被区分和保存。

6 调用你的 selector 方法

在 selector/my_fancy_select.py 和 selector/select_config.py 完成实现后，你可以类似地调用自己的方法，例如（假设方法名为 My_Fancy_Select，Linux环境）：

python run_model_zoo.py \
  --run_mode "select" \
  --models My_Fancy_Select \
  --fix_context_len

若你的方法需要额外参数（例如 --selector_feature_mode xxx），请在 select_config.py 中完成注册，并在 README 或报告中说明这些参数的含义与默认值。

7 评估与结果分析（包括 bonus 规则）

  1. 运行评估脚本

    在你完成所有 selector 的运行（包括基线和你的新方法，固定 ensemble_size=1, context_len=512）后，执行：

    python check_selector.py

    并在文件中标记为 TODO 的位置，添加你新方法的结果命名逻辑，使其出现在汇总表中。

  2. 评估指标

    check_selector.py 会自动对比所有 selector 的表现，指标包括两大类：

    • 预测性能指标（越小越好）：
      • Rank：模型预测性能的综合排名；
      • MASE、sMAPE：与任务二中一致的误差指标。
    • 模型选择质量指标（越大越好，上限为1）：
      • Spearman、KendallTau：你的 model_order 与真实模型顺序之间的秩相关；
      • Acc_TopK1、Acc_TopK3：Top-K 预测命中率；
      • Real1_in_PredK1/3、Pred1_in_RealK1/3：真实最优模型与预测排序的匹配情况。

    典型输出会类似如下（仅示意）：

                        Random_s1_z4-4    Real-MASE_z4-4    Recent_z4-4    All_z4-4
Rank                        1.880             1.000          1.880       2.020
MASE                        1.912             1.704          1.912       2.004
sMAPE                       0.360             0.349          0.360       0.353
Spearman                    0.144             1.000          0.440         nan
KendallTau                  0.100             1.000          0.367         nan
Acc_TopK1                   0.480             1.000          0.480         nan
Real1_in_PredK1             0.480             1.000          0.480         nan
Pred1_in_RealK1             0.480             1.000          0.480         nan
Acc_TopK3                   0.740             1.000          0.873         nan
Real1_in_PredK3             0.700             1.000          0.980         nan
Pred1_in_RealK3             0.920             1.000          0.920         nan

  3. 真实场景扩展（可选）

    如果你对自己的 selector 方法有信心，可以进一步测试其在“模型库不断扩张”的动态场景下的表现：

    #在real_world_mode下运行你的selector
python run_model_zoo.py \
  --run_mode "select" \
  --models My_Fancy_Select \
  --fix_context_len \
  --real_world_mode \

#在real_world_mode下运行其他baseline_selector
...

#在real_world_mode下评测
python check_selector.py --real_world_mode

    在这个模式下，check_selector.py 会模拟一个随着时间不断加入新 TSFM 的环境，观察你的方法在“旧模型 + 新模型混合”的情况下，是否仍能保持稳定甚至领先的性能。

  4. bonus 规则（多规则可叠加，最多+40）

    1. 若你的 selector 的 Rank（预测性能）优于Recent_Select 和 All_Select，可获得 +10 bonus；
    2. 若你的 selector 的 Rank（预测性能）优于最好的 baseline TSFM（即单模型 baseline 中的最小Rank），可获得 +10 bonus；
    3. 若你的 selector 同时在 Rank 上 超过：最优 baseline TSFM、Recent_Select 和 All_Select 三者，则可获得 +10 bonus；
    4. 若你的 selector 在real_world_mode模式下的所有结果中，达成上面三条规则中的任意一条，则可额外获得 +10 bonus。

Submission

1. Modified Code

  • 提交完成任务所需的全部修改代码（包括新增或修改的 .py 文件）；
  • 在项目根目录中提供一个 README.md 文件，内容包括：
    • 如何安装环境与依赖；
    • 如何运行代码与脚本复现报告中的主要结果；
    • 新增 TSFM / selector 方法对应的 GitHub、HuggingFace、论文链接。

2. PDF Report

  • 提交一篇详细的 PDF 报告，结构至少包含：
    • 任务一（运行结果）；
    • 任务二（两个 TSFM 的复现与对比分析）；
    • 任务三（新的 selector 方法设计与实验结果）；
    • 结果分析与讨论。

3. Submission Format

  • 在完成所有代码与实验后，删除掉所有数据和模型文件（Dataset_Path/ 与 Model_Path/ 中的大文件不要打包），保留：
    • 完整的代码与脚本；
    • README.md；
    • PDF 报告。
  • 将上述内容打包为 .zip 压缩包提交。

4. Submission Deadline: 2025-12-30 23:55

About

Code tasks for NJU TSA (Time Series Analysis) course

Resources

Readme
Apache-2.0 license
Activity

Stars

0 stars

Watchers

0 watching

Forks

0 forks
Report repository

Releases

Packages

Contributors

Languages