Time-Series-Library项目自定义数据训练指南

数据准备与加载

在使用Time-Series-Library进行时间序列预测任务时，若需要使用自己的数据集进行训练，主要需要关注数据加载模块的修改。核心修改点在于data_loader.py文件中的__read_data__方法实现。

数据格式要求

自定义数据集需要满足以下基本要求才能被模型正确处理：

1. 时间序列结构：数据应为典型的时间序列格式，包含时间戳和对应的观测值
2. 数据维度：支持单变量或多变量时间序列
3. 缺失值处理：建议提前处理缺失值，或确保数据加载逻辑能正确处理缺失情况

关键修改步骤

1. 实现自定义数据读取

在data_loader.py中，需要重写__read_data__方法以适应自定义数据格式。典型实现需要考虑：

def __read_data__(self):
    # 自定义数据读取逻辑
    # 1. 从文件或数据库加载原始数据
    # 2. 进行必要的数据预处理
    # 3. 转换为模型期望的格式
    # 4. 返回处理后的数据

2. 数据预处理

常见需要实现的预处理步骤包括：

• 时间戳解析与对齐
• 特征标准化/归一化
• 异常值检测与处理
• 数据集划分（训练/验证/测试）

3. 数据格式转换

最终需要将数据转换为模型期望的张量格式，通常为：

• 形状：(样本数, 时间步长, 特征维度)
• 类型：float32或float64

最佳实践建议

1. 保持一致性：确保自定义数据加载器的输出格式与原始实现一致
2. 性能优化：对于大型数据集，考虑实现内存映射或分批加载
3. 可复现性：固定随机种子以确保数据划分的可复现性
4. 日志记录：添加适当的数据加载日志，便于调试

验证数据加载

修改完成后，建议通过以下方式验证数据加载是否正确：

1. 检查输出张量的形状和值范围
2. 可视化部分加载的数据
3. 运行小规模训练测试收敛性

通过以上步骤，用户即可将自己的时间序列数据成功接入Time-Series-Library框架进行模型训练和预测。