SAN 的项目扩展与二次开发

项目的基础介绍

SAN（NeurIPS 2023）是一个基于PyTorch的开源项目，它是《Adaptive Normalization for Non-stationary Time Series Forecasting: A Temporal Slice Perspective》论文的官方实现。该项目针对时间序列数据中存在的非平稳性问题，提出了一种名为SAN的模型无关归一化框架。SAN通过在细粒度的时间片段上建模非平稳性，并显式学习估计未来分布，从而简化了非平稳时间序列预测任务。

项目的核心功能

• 非平稳时间序列预测：SAN通过将时间序列数据划分为时间片段，对每个片段进行归一化处理，以适应时间序列数据中快速变化的统计特性。
• 模型无关性：SAN框架可以与多种主流的时间序列预测模型配合使用，如Transformer、Autoformer、FEDformer等。
• 参数调节：仅需调整两个参数（period_len和station_lr），即可对不同的预测任务和模型进行优化。

项目使用了哪些框架或库？

• PyTorch：用于深度学习模型的构建和训练。
• NumPy：用于数值计算。
• Pandas：用于数据处理和分析。

项目的代码目录及介绍

SAN/
├── data_provider/             # 数据加载和预处理模块
├── exp/                       # 实验配置和参数设置
├── figs/                      # 存储图表和可视化结果的文件夹
├── layers/                    # 自定义神经网络层
├── models/                    # 模型定义和实现
├── utils/                     # 实用工具函数
├── .gitignore                 # Git忽略文件
├── LICENSE                    # 开源协议
├── README.md                  # 项目说明文件
├── requirements.txt           # 环境依赖
├── run_linear.sh              # 运行线性模型的脚本
├── run_longExp.py             # 长期实验的运行脚本
├── run_trm.sh                 # 运行Transformer模型的脚本

对项目进行扩展或者二次开发的方向

1. 模型增强：可以尝试将SAN框架与其他时间序列模型结合，如LSTM、GRU等，以探索更广泛的适用性和改进预测性能。
2. 多模态预测：扩展SAN框架以处理多模态时间序列数据，例如结合文本、图像等信息进行联合预测。
3. 实时预测：优化模型以适应实时时间序列数据的处理，实现快速响应和在线学习。
4. 自动化调参：开发自动化参数调优工具，以简化模型优化过程。
5. 可视化工具：增加数据可视化工具，帮助用户更好地理解模型的行为和预测结果。