UniTS 时间序列统一模型快速上手一个模型搞定预测、分类、插值与异常检测【免费下载链接】UniTSA unified multi-task time series model.项目地址: https://gitcode.com/gh_mirrors/uni/UniTSUniTS 是哈佛医学院 MIMS 实验室开源的多任务时间序列统一模型。你不用再为预测、分类、缺失值插值、异常检测各训一套模型它共享同一套参数还具备零样本和少样本迁移能力。适合刚接触时间序列建模、想快速跑通第一个多任务实验的你。UniTS 解决什么问题传统做法每个任务一个模型换领域就要重新调参。UniTS 用统一骨干网络一次解决四件事任务典型输入典型输出长时序预测112 步多变量历史如电力 ECL321 个变量未来 96~720 步预测序列分类UCR/UEA 数据集的.ts文件如 ECG5000 心电5 类判别结果缺失值插值打 25%/50% 随机掩码的序列补全后的完整序列异常检测服务器传感器数据SMAP、PSM 等每步异常分数核心卖点在 38 个跨领域数据集上联合训练同一模型可直接迁移到新领域、新任务、新预测长度。3 步跑通 UniTS 第一个实验第 1 步获取代码并装依赖git clone https://gitcode.com/gh_mirrors/uni/UniTS cd UniTS pip install -r requirements.txt第 2 步下载全部基准数据bash download_data_all.sh数据会解压到dataset/目录包含 ETT、ECL、UCR、UEA 等脚本会自动安装 gdown。第 3 步跑监督多任务训练bash scripts/supervised_learning/UniTS_supervised.sh✅ 想先做无监督预训练再迁移把上面一行换成bash scripts/pretrain_prompt_learning/UniTS_pretrain_x64.sh即可。训练日志默认接入 wandb不需要可把脚本里wandb_mode改为disabled。四类任务怎么落地新领域预测只需准备数据配置用scripts/few_shot_newdata/下的脚本20% 样本微调finetune或只调 prompt tokenprompt tuning。异常检测配置文件参考 data_provider/anomaly_detection.yaml配好 MSL/SMAP 等数据集路径跑scripts/few_shot_anomaly_detection/里的脚本。缺失值插值mask025/mask050 两个掩码比例各有现成脚本位于scripts/few_shot_imputation/输入是带掩码序列输出补全结果。零样本预测换过没见过的数据集或预测长度跑scripts/zero_shot/下脚本无需训练直接推理。 用自己的数据做任务直接看 Tutorial.md以分类为例覆盖数据格式、配置和微调完整流程。新手避坑指南先检查root_path再启动训练yaml 里写的是相对路径如../dataset/UCR/ECG5000以dataset/与仓库同级目录为准路径对不上会直接报找不到数据。先确认有预训练权重再调 promptprompt tuning 只训练 prompt token必须加载预训练模型官方提供 checkpoints 下载--pretrained_weight填好路径否则任务不成立。先设梯度裁剪再上大数据官方脚本保留--clip_grad 100防 NaN多变量大模型如 ECL 321 变量训练时尤其别删。换数据就要重新调超参时序数据高度异构官方教程明确提示对新数据调learning_rate、batch_size等别指望默认值通吃。关键文件指引文件作用models/UniTS.py核心模型序列变量注意力、动态线性算子data_provider/multi_task.yaml多任务数据集配置模板照着改就行exp/训练与评估主逻辑exp_sup.py一句话总结UniTS 让你用一个共享模型覆盖时序四大任务少样本迁移和零样本推理开箱即用。下一步打开 Tutorial.md把上面的流程套到你自己的数据上。【免费下载链接】UniTSA unified multi-task time series model.项目地址: https://gitcode.com/gh_mirrors/uni/UniTS创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
UniTS 时间序列统一模型快速上手一个模型搞定预测、分类、插值与异常检测【免费下载链接】UniTSA unified multi-task time series model.项目地址: https://gitcode.com/gh_mirrors/uni/UniTSUniTS 是哈佛医学院 MIMS 实验室开源的多任务时间序列统一模型。你不用再为预测、分类、缺失值插值、异常检测各训一套模型它共享同一套参数还具备零样本和少样本迁移能力。适合刚接触时间序列建模、想快速跑通第一个多任务实验的你。UniTS 解决什么问题传统做法每个任务一个模型换领域就要重新调参。UniTS 用统一骨干网络一次解决四件事任务典型输入典型输出长时序预测112 步多变量历史如电力 ECL321 个变量未来 96~720 步预测序列分类UCR/UEA 数据集的.ts文件如 ECG5000 心电5 类判别结果缺失值插值打 25%/50% 随机掩码的序列补全后的完整序列异常检测服务器传感器数据SMAP、PSM 等每步异常分数核心卖点在 38 个跨领域数据集上联合训练同一模型可直接迁移到新领域、新任务、新预测长度。3 步跑通 UniTS 第一个实验第 1 步获取代码并装依赖git clone https://gitcode.com/gh_mirrors/uni/UniTS cd UniTS pip install -r requirements.txt第 2 步下载全部基准数据bash download_data_all.sh数据会解压到dataset/目录包含 ETT、ECL、UCR、UEA 等脚本会自动安装 gdown。第 3 步跑监督多任务训练bash scripts/supervised_learning/UniTS_supervised.sh✅ 想先做无监督预训练再迁移把上面一行换成bash scripts/pretrain_prompt_learning/UniTS_pretrain_x64.sh即可。训练日志默认接入 wandb不需要可把脚本里wandb_mode改为disabled。四类任务怎么落地新领域预测只需准备数据配置用scripts/few_shot_newdata/下的脚本20% 样本微调finetune或只调 prompt tokenprompt tuning。异常检测配置文件参考 data_provider/anomaly_detection.yaml配好 MSL/SMAP 等数据集路径跑scripts/few_shot_anomaly_detection/里的脚本。缺失值插值mask025/mask050 两个掩码比例各有现成脚本位于scripts/few_shot_imputation/输入是带掩码序列输出补全结果。零样本预测换过没见过的数据集或预测长度跑scripts/zero_shot/下脚本无需训练直接推理。 用自己的数据做任务直接看 Tutorial.md以分类为例覆盖数据格式、配置和微调完整流程。新手避坑指南先检查root_path再启动训练yaml 里写的是相对路径如../dataset/UCR/ECG5000以dataset/与仓库同级目录为准路径对不上会直接报找不到数据。先确认有预训练权重再调 promptprompt tuning 只训练 prompt token必须加载预训练模型官方提供 checkpoints 下载--pretrained_weight填好路径否则任务不成立。先设梯度裁剪再上大数据官方脚本保留--clip_grad 100防 NaN多变量大模型如 ECL 321 变量训练时尤其别删。换数据就要重新调超参时序数据高度异构官方教程明确提示对新数据调learning_rate、batch_size等别指望默认值通吃。关键文件指引文件作用models/UniTS.py核心模型序列变量注意力、动态线性算子data_provider/multi_task.yaml多任务数据集配置模板照着改就行exp/训练与评估主逻辑exp_sup.py一句话总结UniTS 让你用一个共享模型覆盖时序四大任务少样本迁移和零样本推理开箱即用。下一步打开 Tutorial.md把上面的流程套到你自己的数据上。【免费下载链接】UniTSA unified multi-task time series model.项目地址: https://gitcode.com/gh_mirrors/uni/UniTS创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
