简体中文 | English

欢迎来到 PyPOTS

用于部分观测时间序列机器学习的 Python 工具箱

⦿ 动机: 由于采集传感器故障、通信错误以及意外故障等各种原因，真实世界环境中的时间序列中经常出现缺失值。这使得部分观测时间序列（POTS）成为开放世界建模中普遍存在的问题，并阻碍了高级数据分析的进行。尽管这一问题非常重要，但针对 POTS 的机器学习领域仍然缺乏专门的工具包。PyPOTS 的诞生正是为了填补这一空白。

⦿ 使命: PyPOTS（发音为“派·波特”）旨在成为一个便捷的工具箱，让 POTS 上的机器学习变得简单而非繁琐，帮助工程师和研究人员将更多精力集中在手头的核心问题上，而不是如何处理数据中的缺失部分。PyPOTS 将持续整合经典及最新的先进机器学习算法，用于部分观测的多变量时间序列。当然，除了各种算法之外，PyPOTS 还将提供统一的 API，以及详细的文档和跨算法的交互式示例教程。

🤗 请为本仓库点赞，如果您认为 PyPOTS 是一个有用的工具箱，请让更多人注意到它。 请在您的出版物中友好地引用 PyPOTS，如果它对您的研究有所帮助。 这对我们的开源研究意义重大。非常感谢！

本自述文件的其余部分按以下顺序组织： ❖ 可用算法, ❖ PyPOTS 生态系统, ❖ 安装, ❖ 使用, ❖ 引用 PyPOTS, ❖ 贡献, ❖ 社区.

❖ 可用算法

PyPOTS 支持对含有缺失值的多变量部分观测时间序列进行插补、分类、聚类、预测和异常检测等任务。下表展示了 PyPOTS 中各算法（按年份排序）在不同任务中的可用性。符号 ✅ 表示该算法可用于相应任务（请注意，未来模型将持续更新以支持当前不支持的任务。敬请期待❗️）。

🌟 自 v0.2 起，PyPOTS 中的所有神经网络模型均已支持超参数优化。此功能通过 Microsoft NNI 框架实现。您可参考我们的时间序列插补综述与基准库 Awesome_Imputation，了解如何配置和调优超参数。

🔥 请注意，表格中名称带有 🧑‍🔧 的所有模型（例如 Transformer、iTransformer、Informer 等）在其原论文中并非专门针对 POTS 数据提出的方法，且这些模型无法直接接受含有缺失值的时间序列作为输入，更不用说进行插补了。为了使它们能够应用于 POTS 数据，我们特别采用了与 SAITS 论文[^1] 中相同的嵌入策略和训练方法（ORT+MIT）。

任务类型缩写如下： IMPU：插补； FORE：预测； CLAS：分类； CLUS：聚类； ANOD：异常检测。 除了这 5 项任务外，PyPOTS 还提供了 TS2Vec[^48]，用于时间序列的表示学习和向量化。本文的参考文献及链接均列于本文件底部。

类型	算法	IMPU	FORE	CLAS	CLUS	ANOD	年份 - 地点
LLM&TSFM	Time-Series.AI [^36]	✅	✅	✅	✅	✅	加入等待名单
神经网络	MixLinear🧑‍🔧[^52]		✅				2026 - ICLR
神经网络	SegRNN🧑‍🔧[^43]	✅	✅			✅	2026 - IoT-J
神经网络	TEFN🧑‍🔧[^39]	✅	✅	✅		✅	2025 - TPAMI
神经网络	TimeMixer++[^49]	✅	✅			✅	2025 - ICLR
LLM	Time-LLM🧑‍🔧[^45]	✅	✅				2024 - ICLR
TSFM	MOMENT[^47]	✅	✅				2024 - ICML
神经网络	TSLANet[^51]	✅					2024 - ICML
神经网络	FITS🧑‍🔧[^41]	✅	✅				2024 - ICLR
神经网络	TimeMixer[^37]	✅	✅			✅	2024 - ICLR
神经网络	iTransformer🧑‍🔧[^24]	✅		✅		✅	2024 - ICLR
神经网络	ModernTCN[^38]	✅	✅				2024 - ICLR
神经网络	ImputeFormer🧑‍🔧[^34]	✅				✅	2024 - KDD
神经网络	TOTEM[^50]	✅					2024 - TMLR
神经网络	TKAN[^54]	✅					2024 - arXiv
神经网络	SAITS[^1]	✅		✅		✅	2023 - ESWA
LLM	GPT4TS[^46]	✅	✅				2023 - NeurIPS
神经网络	FreTS🧑‍🔧[^23]	✅					2023 - NeurIPS
神经网络	Koopa🧑‍🔧[^29]	✅					2023 - NeurIPS
神经网络	Crossformer🧑‍🔧[^16]	✅				✅	2023 - ICLR
神经网络	TimesNet[^14]	✅	✅	✅		✅	2023 - ICLR
神经网络	PatchTST🧑‍🔧[^18]	✅		✅		✅	2023 - ICLR
神经网络	ETSformer🧑‍🔧[^19]	✅				✅	2023 - ICLR
神经网络	MICN🧑‍🔧[^27]	✅	✅				2023 - ICLR
神经网络	DLinear🧑‍🔧[^17]	✅	✅			✅	2023 - AAAI
神经网络	TiDE🧑‍🔧[^28]	✅					2023 - TMLR
神经网络	CSAI[^42]	✅		✅			2023 - arXiv
神经网络	TS2Vec[^48]			✅			2022 - AAAI
神经网络	SCINet🧑‍🔧[^30]	✅				✅	2022 - NeurIPS
神经网络	Nonstationary Tr.🧑‍🔧[^25]	✅				✅	2022 - NeurIPS
神经网络	FiLM🧑‍🔧[^22]	✅	✅			✅	2022 - NeurIPS
神经网络	RevIN_SCINet🧑‍🔧[^31]	✅					2022 - ICLR
神经网络	Pyraformer🧑‍🔧[^26]	✅				✅	2022 - ICLR
神经网络	Raindrop[^5]			✅			2022 - ICLR
神经网络	FEDformer🧑‍🔧[^20]	✅				✅	2022 - ICML
神经网络	Autoformer🧑‍🔧[^15]	✅		✅		✅	2021 - NeurIPS
神经网络	CSDI[^12]	✅	✅				2021 - NeurIPS
神经网络	Informer🧑‍🔧[^21]	✅				✅	2021 - AAAI
神经网络	US-GAN[^10]	✅					2021 - AAAI
神经网络	CRLI[^6]				✅		2021 - AAAI
概率模型	BTTF[^8]		✅				2021 - TPAMI
神经网络	StemGNN🧑‍🔧[^33]	✅					2020 - NeurIPS
神经网络	SeFT[^53]			✅			2020 - ICML
神经网络	Reformer🧑‍🔧[^32]	✅				✅	2020 - ICLR
神经网络	GP-VAE[^11]	✅					2020 - AISTATS
神经网络	VaDER[^7]				✅		2019 - GigaSci.
神经网络	M-RNN[^9]	✅					2019 - TBME
神经网络	BRITS[^3]	✅		✅			2018 - NeurIPS
神经网络	GRU-D[^4]	✅		✅			2018 - Sci. Rep.
神经网络	TCN🧑‍🔧[^35]	✅					2018 - arXiv
神经网络	Transformer🧑‍🔧[^2]	✅	✅			✅	2017 - NeurIPS
MF	TRMF[^44]	✅					2016 - NeurIPS
简单方法	Lerp[^40]	✅
简单方法	LOCF/NOCB	✅
简单方法	均值	✅
简单方法	中位数	✅

🙋 上表中 LLM（大型语言模型） 与 TSFM（时间序列基础模型） 的区别： LLM 指的是在大规模文本数据上预训练，并可针对特定任务进行微调的模型。 TSFM 则是指受计算机视觉和自然语言处理领域基础模型最新成果启发，在大规模时间序列数据上预训练的模型。

💯 立即贡献你的模型，提升你的研究影响力！PyPOTS 的下载量正迅速增长 (截至目前，PyPI 总下载量已超过 100 万次，日均下载量超过 2000 次), 你的工作将被社区广泛使用并引用。请参阅 贡献指南, 了解如何将你的模型纳入 PyPOTS 中。

❖ PyPOTS 生态系统

在 PyPOTS，一切都与我们熟悉的咖啡息息相关。没错，这里就是一个咖啡宇宙！ 正如你所见，PyPOTS 的 logo 中就有一个咖啡壶。那还有什么呢？请继续阅读 ;-)

👈 在 PyPOTS 中，时间序列数据集被视为咖啡豆，而 POTS 数据集则是带有缺失部分的不完整咖啡豆， 这些缺失本身也具有独特的意义。为了使各种公开的时间序列数据集更易于用户获取， 时间序列数据豆（TSDB） 应运而生，让加载时间序列数据集变得无比简单！ 立即访问 TSDB 了解更多关于这个便捷工具的信息 🛠，它目前已支持总计 172 个开源数据集！

👉 为了模拟现实世界中存在缺失的数据，生态系统库 PyGrinder 被创建出来，它是一个帮助将你的咖啡豆研磨成不完整状态的工具包。 根据 Robin 的理论[^13]，缺失模式可分为三类：MCAR（完全随机缺失）、MAR（随机缺失）和 MNAR（非随机缺失）。 PyGrinder 支持所有这三种类型，同时还提供与缺失相关的其他功能。 借助 PyGrinder，你只需一行代码就能为你的数据集引入合成缺失值。

👈 为了公平评估 PyPOTS 算法的性能，基准测试套件 BenchPOTS 被创建，它提供了标准且统一的数据预处理流程， 用于准备数据集，以便在不同任务上衡量各类 POTS 算法的性能。

👉 现在，咖啡豆、研磨机和咖啡壶都已准备就绪，请坐到长椅上，让我们一起思考如何为我们冲泡一杯咖啡吧。 教程是必不可少的！考虑到未来的工作量，PyPOTS 教程被整合在一个仓库中发布， 你可以在 BrewPOTS 中找到它们。 现在就来看看吧，学习如何“冲泡”你的 POTS 数据集！

☕️ 欢迎来到 PyPOTS 的宇宙。尽情享受，玩得开心吧！

❖ 安装

你可以参考 PyPOTS 文档中的 安装说明, 以获取更详细的指导。

PyPOTS 同时在 PyPI 和 Anaconda 上提供。 你可以像安装 TSDB、PyGrinder、 BenchPOTS 和 AI4TS 一样安装 PyPOTS：

# 使用 pip
pip install pypots            # 首次安装
pip install pypots --upgrade  # 更新至最新版本
# 从最新源代码安装，包含尚未正式发布的最新功能
pip install https://github.com/WenjieDu/PyPOTS/archive/main.zip

# 使用 conda
conda install conda-forge::pypots  # 首次安装
conda update  conda-forge::pypots  # 更新至最新版本

# 使用 docker
docker run -it --name pypots wenjiedu/pypots  # docker 会自动拉取我们构建好的镜像并为你运行一个实例
# 当一切就绪后，你可以在容器内运行 Python，进入已配置好环境的 PyPOTS 运行环境
# 如果你想退出容器，按下 ctrl-P + ctrl-Q 即可
# 再次输入 `docker attach pypots` 即可重新进入容器。

❖ 使用方法

除了 BrewPOTS 之外，您还可以在 Google Colab 上找到一个简单快捷的入门教程笔记本： 。如果您有更多疑问，请参阅 PyPOTS 文档 docs.pypots.com。您也可以 提交问题 或在我们的社区中提问。

下面我们将展示一个使用 PyPOTS 对时间序列进行缺失值插补的示例，您可以点击查看。

import numpy as np
from sklearn.preprocessing import StandardScaler
from pygrinder import mcar, calc_missing_rate
from benchpots.datasets import preprocess_physionet2012
data = preprocess_physionet2012(subset='set-a',rate=0.1) # 我们的生态库会自动下载并解压数据
train_X, val_X, test_X = data["train_X"], data["val_X"], data["test_X"]
print(train_X.shape)  # (n_samples, n_steps, n_features)
print(val_X.shape)  # 训练集和验证集中的样本数不同，但它们具有相同的序列长度 (n_steps) 和特征维度 (n_features)
print(f"训练集中有 {calc_missing_rate(train_X):.1%} 的值缺失")  
train_set = {"X": train_X}  # 在训练集中，只需将不完整的时间序列放入其中
val_set = {
    "X": val_X,
    "X_ori": data["val_X_ori"],  # 在验证集中，我们需要真实标签来进行评估并选择最佳模型检查点
}
test_set = {"X": test_X}  # 在测试集中，只需提供待插补的不完整时间序列
test_X_ori = data["test_X_ori"]  # test_X_ori 包含用于评估的真实标签
indicating_mask = np.isnan(test_X) ^ np.isnan(test_X_ori)  # 掩码指示那些在 X 中缺失但在 X_ori 中存在的值，即真实标签所在的位置

from pypots.imputation import SAITS  # 导入您想要使用的模型
from pypots.nn.functional import calc_mae
saits = SAITS(n_steps=train_X.shape[1], n_features=train_X.shape[2], n_layers=2, d_model=256, n_heads=4, d_k=64, d_v=64, d_ffn=128, dropout=0.1, epochs=5)
saits.fit(train_set, val_set)  # 在数据集上训练模型
imputation = saits.impute(test_set)  # 插补原始缺失值和人为制造的缺失值
mae = calc_mae(imputation, np.nan_to_num(test_X_ori), indicating_mask)  # 计算在真实标签上的平均绝对误差（针对人为制造的缺失值）
saits.save("save_it_here/saits_physionet2012.pypots")  # 保存模型以备将来使用
saits.load("save_it_here/saits_physionet2012.pypots")  # 加载序列化的模型文件，以便后续插补或训练

❖ 引用 PyPOTS

[!TIP] [2024年6月更新] 😎 第一篇全面的时间序列插补基准论文 TSI-Bench: Benchmarking Time Series Imputation 现已公开发布。 代码已在仓库 Awesome_Imputation 中开源。 通过近35,000次实验，我们对28种插补方法、3种缺失模式（点、序列、块）、 不同的缺失率以及8个真实世界数据集进行了全面的基准研究。

[2024年2月更新] 🎉 我们的综述论文 Deep Learning for Multivariate Time Series Imputation: A Survey 已在 arXiv 上发表。 我们全面回顾了当前最先进的深度学习时间序列插补方法文献， 为这些方法提供了分类体系，并讨论了该领域的挑战与未来发展方向。

介绍 PyPOTS 的论文已在 arXiv 上发布， 其简短版本已被第九届 SIGKDD 国际时间序列挖掘与学习研讨会 (MiLeTS'23) 接受。 此外，PyPOTS 已被纳入 PyTorch 生态系统 项目。 我们正努力将其发表在诸如 JMLR（机器学习开源软件 专题）等知名学术期刊上。如果您在工作中使用了 PyPOTS，请按照以下方式引用，并🌟星标本仓库，让更多人注意到这个库。🤗

目前已有科学研究项目使用了 PyPOTS，并在其论文中进行了引用。 以下是 一份不完全列表。

@article{du2023pypots,
title = {{PyPOTS: 用于部分观测时间序列的数据挖掘 Python 工具包}},
author = {Wenjie Du},
journal = {KDD 2023 MiLeTS},
year = {2023},
}

@article{du2025pypots,
title = {{PyPOTS v1: 用于部分观测时间序列的机器学习 Python 工具包}},
author = {Wenjie Du, Yiyuan Yang, Linglong Qian, Jun Wang, and Qingsong Wen},
year = {2025},
}

❖ 贡献

非常欢迎您为这个令人兴奋的项目做出贡献！

通过提交您的代码，您将：

1. 将您成熟的模型直接集成到 PyPOTS 中，供用户开箱即用， 并帮助您的工作获得更多的曝光和影响力。请参阅我们的 入选标准。 您可以利用每个任务包中的 template 文件夹（例如 pypots/imputation/template) 快速上手；
2. 成为 PyPOTS 贡献者之一， 并在 PyPOTS 官网上列为志愿者开发者；
3. 在 PyPOTS 的 发布说明 中被提及；

您也可以通过简单地🌟星标本仓库来为 PyPOTS 做出贡献，这有助于让更多人注意到它。 您的星标是对 PyPOTS 的认可，意义重大！

👏 点击此处查看 PyPOTS 的星标用户和叉子。
我们为越来越多优秀的用户感到自豪，同时也涌现出更多闪耀的 ✨明星：

👀 请访问 PyPOTS 官网 查看我们用户的完整名单！

❖ 社区

我们非常重视用户的反馈，因此正在构建 PyPOTS 社区。

• Slack。这里进行社区讨论、问答交流，我们的开发团队也在其中；
• LinkedIn。官方公告和最新动态发布在这里；
• 微信公众号。我们还在微信上建立了交流群，关注公众号后即可获取二维码；

如果你有任何建议、想贡献创意或分享时序相关论文，欢迎加入我们并告诉我们！ PyPOTS社区开放、透明且友好。让我们携手共建、共同完善PyPOTS吧！

[^1]: Du, W., Cote, D., & Liu, Y. (2023). SAITS：基于自注意力机制的时间序列插补。 Expert systems with applications。 [^2]: Vaswani, A., Shazeer, N.M., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A.N., Kaiser, L., & Polosukhin, I. ( 2017). Attention is All you Need。 NeurIPS 2017。 [^3]: Cao, W., Wang, D., Li, J., Zhou, H., Li, L., & Li, Y. (2018). BRITS：用于时间序列的双向循环插补。 NeurIPS 2018。 [^4]: Che, Z., Purushotham, S., Cho, K., Sontag, D.A., & Liu, Y. (2018). 用于含有缺失值的多变量时间序列的循环神经网络。 Scientific Reports。 [^5]: Zhang, X., Zeman, M., Tsiligkaridis, T., & Zitnik, M. (2022). 用于不规则采样多变量时间序列的图引导网络。 ICLR 2022。 [^6]: Ma, Q., Chen, C., Li, S., & Cottrell, G. W. (2021). 用于不完整时间序列聚类的表示学习。 AAAI 2021。 [^7]: Jong, J.D., Emon, M.A., Wu, P., Karki, R., Sood, M., Godard, P., Ahmad, A., Vrooman, H.A., Hofmann-Apitius, M., & Fröhlich, H. (2019). 深度学习在含缺失值的多变量临床患者轨迹聚类中的应用。 GigaScience。 [^8]: Chen, X., & Sun, L. (2021). 用于多维时间序列预测的贝叶斯时序分解。 IEEE Transactions on Pattern Analysis and Machine Intelligence。 [^9]: Yoon, J., Zame, W. R., & van der Schaar, M. (2019). 利用多方向循环神经网络估计时间数据流中的缺失数据。 IEEE Transactions on Biomedical Engineering。 [^10]: Miao, X., Wu, Y., Wang, J., Gao, Y., Mao, X., & Yin, J. (2021). 用于多变量时间序列插补的生成式半监督学习。 AAAI 2021。 [^11]: Fortuin, V., Baranchuk, D., Raetsch, G. & Mandt, S. (2020). GP-VAE：深度概率时间序列插补。 AISTATS 2020。 [^12]: Tashiro, Y., Song, J., Song, Y., & Ermon, S. (2021). CSDI：用于概率性时间序列插补的条件得分扩散模型。 NeurIPS 2021。 [^13]: Rubin, D. B. (1976). 推断与缺失数据。 Biometrika。 [^14]: Wu, H., Hu, T., Liu, Y., Zhou, H., Wang, J., & Long, M. (2023). TimesNet：用于通用时间序列分析的时序二维变体建模。 ICLR 2023。 [^15]: Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer：具有自相关性的分解变压器，用于长期序列预测。 NeurIPS 2021。 [^16]: Zhang, Y., & Yan, J. (2023). Crossformer：利用跨维度依赖关系进行多变量时间序列预测的Transformer。 ICLR 2023。 [^17]: Zeng, A., Chen, M., Zhang, L., & Xu, Q. (2023). Transformer是否适用于时间序列预测？。 AAAI 2023。 [^18]: Nie, Y., Nguyen, N. H., Sinthong, P., & Kalagnanam, J. (2023). 一个时间序列相当于64个词：使用Transformer进行长期预测。 ICLR 2023。 [^19]: Woo, G., Liu, C., Sahoo, D., Kumar, A., & Hoi, S. (2023). ETSformer：用于时间序列预测的指数平滑Transformer。 ICLR 2023。 [^20]: Zhou, T., Ma, Z., Wen, Q., Wang, X., Sun, L., & Jin, R. (2022). FEDformer：用于长期序列预测的频率增强型分解Transformer。 ICML 2022。 [^21]: Zhou, H., Zhang, S., Peng, J., Zhang, S., Li, J., Xiong, H., & Zhang, W. (2021). Informer：超越高效Transformer的长序列时间序列预测。 AAAI 2021。 [^22]: Zhou, T., Ma, Z., Wen, Q., Sun, L., Yao, T., Yin, W., & Jin, R. (2022). FiLM：用于长期时间序列预测的频率改进型勒让德记忆模型。 NeurIPS 2022。 [^23]: Yi, K., Zhang, Q., Fan, W., Wang, S., Wang, P., He, H., An, N., Lian, D., Cao, L., & Niu, Z. (2023). 频域MLP在时间序列预测中是更有效的学习者。 NeurIPS 2023。 [^24]: Liu, Y., Hu, T., Zhang, H., Wu, H., Wang, S., Ma, L., & Long, M. (2024). iTransformer：反转Transformer在时间序列预测中的有效性。 ICLR 2024。 [^25]: Liu, Y., Wu, H., Wang, J., & Long, M. (2022). 非平稳Transformer：探索时间序列预测中的平稳性。 NeurIPS 2022。 [^26]: Liu, S., Yu, H., Liao, C., Li, J., Lin, W., Liu, A. X., & Dustdar, S. (2022). Pyraformer：用于长距离时间序列建模和预测的低复杂度金字塔注意力。 ICLR 2022。 [^27]: Wang, H., Peng, J., Huang, F., Wang, J., Chen, J., & Xiao, Y. (2023). MICN：用于长期序列预测的多尺度局部与全局上下文建模。 ICLR 2023。 [^28]: Das, A., Kong, W., Leach, A., Mathur, S., Sen, R., & Yu, R. (2023). 使用TiDE：时间序列密集编码器进行长期预测。 TMLR 2023。 [^29]: Liu, Y., Li, C., Wang, J., & Long, M. (2023). Koopa：利用库普曼预测器学习非平稳时间序列动态。 NeurIPS 2023。 [^30]: Liu, M., Zeng, A., Chen, M., Xu, Z., Lai, Q., Ma, L., & Xu, Q. (2022). SCINet：利用样本卷积与交互进行时间序列建模和预测。 NeurIPS 2022。 [^31]: Kim, T., Kim, J., Tae, Y., Park, C., Choi, J. H., & Choo, J. (2022). 可逆实例归一化用于应对分布漂移的精确时间序列预测。 ICLR 2022。 [^32]: Kitaev, N., Kaiser Ł., & Levskaya A. (2020). Reformer：高效的Transformer。 ICLR 2020。 [^33]: Cao, D., Wang, Y., Duan, J., Zhang, C., Zhu, X., Huang, C., Tong, Y., Xu, B., Bai, J., Tong, J., & Zhang, Q. ( 2020). 用于多变量时间序列预测的谱时序图神经网络。 NeurIPS 2020。 [^34]: Nie, T., Qin, G., Mei, Y., & Sun, J. (2024). ImputeFormer：由低秩性诱导的Transformer，用于可泛化的时空插补。 KDD 2024。 [^35]: Bai, S., Kolter, J. Z., & Koltun, V. (2018). 对通用卷积和循环网络用于序列建模的实证评估。 arXiv 2018。 [^36]: 项目“冈尼尔”，全球首个用于时间序列多任务建模的大语言模型，即将与您见面。🚀 您的数据集中存在缺失值和不同长度的序列吗？难以用您的时间序列进行多任务学习吗？这些问题将不再困扰您。立即加入我们的等待名单，获取最新消息，并在发布时第一时间试用！ Time-Series.AI [^37]: Wang, S., Wu, H., Shi, X., Hu, T., Luo, H., Ma, L., ... & ZHOU, J. (2024). TimeMixer：用于时间序列预测的可分解多尺度混合。 ICLR 2024。 [^38]: Luo, D., & Wang X. (2024). ModernTCN：一种用于通用时间序列分析的现代纯卷积结构。 ICLR 2024。 [^39]: Zhan, T., He, Y., Deng, Y., Li, Z., Du, W., & Wen, Q. (2025). 时间证据融合网络：长期时间序列预测中的多源视角。 TPAMI 2025。 [^40]: 维基百科：线性插值 [^41]: Xu, Z., Zeng, A., & Xu, Q. (2024). FITS：用1万个参数建模时间序列。 ICLR 2024。 [^42]: Qian, L., Ibrahim, Z., Ellis, H. L., Zhang, A., Zhang, Y., Wang, T., & Dobson, R. (2023). 知识增强型医疗时间序列条件插补。 arXiv 2023。 [^43]: Lin, S., Lin, W., Wu, W., Zhao, F., Mo, R., & Zhang, H. (2026). SegRNN：用于长期时间序列预测的分段循环神经网络。 IEEE IoT-J 2026。 [^44]: Yu, H. F., Rao, N., & Dhillon, I. S. (2016). 用于高维时间序列预测的时序正则化矩阵分解。 NeurIPS 2016。 [^45]: Jin, M., Wang, S., Ma, L., Chu, Z., Zhang, J. Y., Shi, X., ... & Wen, Q. (2024). Time-LLM：通过重编程大型语言模型进行时间序列预测。 ICLR 2024。 [^46]: Zhou, T., Niu, P., Sun, L., & Jin, R. (2023). One Fits All：通过预训练的语言模型实现强大的通用时间序列分析。 NeurIPS 2023。 [^47]: Goswami, M., Szafer, K., Choudhry, A., Cai, Y., Li, S., & Dubrawski, A. (2024). MOMENT：一系列开放的时间序列基础模型。 ICML 2024。 [^48]: Yue, Z., Wang, Y., Duan, J., Yang, T., Huang, C., Tong, Y., & Xu, B. (2022). TS2Vec：迈向时间序列的通用表示。 AAAI 2022。 [^49]: Wang, S., Li, J., Shi, X., Ye, Z., Mo, B., Lin, W., Ju, S., Chu, Z. & Jin, M. (2025). TimeMixer++：一种用于通用预测分析的通用时间序列模式机器。 ICLR 2025。 [^50]: Talukder, S., Yue, Y., & Gkioxari G. (2024). TOTEM：用于通用时间序列分析的标记化时间序列嵌入。 TMLR 2024。 [^51]: Eldele, E., Ragab, M., Chen, Z., Wu, M., & Li, X. (2024). TSLANet：重新思考Transformer在时间序列表征学习中的作用。 ICML 2024。 [^52]: Ma, A., Luo, D., & Sha, M. (2026). MixLinear：用0.1千个参数进行极端低资源的多变量时间序列预测。 ICLR 2026。 [^53]: Horn, M., Moor, M., Bock, C., Rieck, B., & Borgwardt, K. (2020). 用于时间序列的集合函数。 ICML 2020。 [^54]: Genet, R., & Inzirillo, H. (2024). TKAN：时间科尔莫戈罗夫-阿诺德网络。 arXiv 2024。

PyPOTS 快速上手指南

PyPOTS 是一个专为**部分观测时间序列（Partially-Observed Time Series, POTS）**设计的 Python 机器学习工具箱。它旨在解决现实世界中因传感器故障、通信错误等原因导致的时间序列数据缺失问题，提供统一的 API 支持缺失值填补、分类、聚类、预测和异常检测等任务。

1. 环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统: Linux, macOS 或 Windows
• Python 版本: 3.8 或更高版本 (v3.8+)
• 核心依赖:
  • PyTorch (深度学习框架)
  • NumPy, Pandas, Scikit-learn (基础数据处理)
• 可选依赖: 若需使用超参数优化功能，需安装 Microsoft NNI。

提示: 建议使用虚拟环境（如 conda 或 venv）以避免依赖冲突。

2. 安装步骤

您可以通过 pip 或 conda 进行安装。国内用户推荐使用清华或阿里镜像源以加速下载。

方式一：使用 pip 安装（推荐）

# 使用阿里云镜像源加速安装
pip install pypots -i https://mirrors.aliyun.com/pypi/simple/

# 或者使用清华镜像源
pip install pypots -i https://pypi.tuna.tsinghua.edu.cn/simple

方式二：使用 conda 安装

conda install -c conda-forge pypots

验证安装

安装完成后，运行以下代码验证是否成功：

import pypots
print(pypots.__version__)

3. 基本使用

PyPOTS 采用了面向对象的统一 API 设计。以下是一个最简单的**缺失值填补（Imputation）**示例，使用经典的 SAITS 模型处理带有缺失值的时间序列数据。

示例：使用 SAITS 进行缺失值填补

import numpy as np
from pypots.imputation import SAITS
from pypots.data.generating import gene_random_walk
from pypots.utils.metrics import calc_mae

# 1. 生成模拟数据 (实际使用时请替换为您的数据集)
# data: 原始完整数据, X: 含缺失值的数据, missing_mask: 缺失掩码
data, X, missing_mask = gene_random_walk(
    n_samples=100, 
    n_steps=24, 
    n_features=5, 
    missing_rate=0.1
)

# 2. 初始化模型
# n_steps: 时间步长, n_features: 特征数量
model = SAITS(
    n_steps=24,
    n_features=5,
    n_layers=2,
    d_model=256,
    d_ffn=512,
    n_heads=4,
    d_k=64,
    d_v=64,
    dropout=0.1,
    epochs=10,
    patience=5,
    device="cpu"  # 如果有 GPU 可改为 "cuda"
)

# 3. 训练模型
# 输入需要是字典格式，包含 'X' (含缺失值数据) 和 'missing_mask'
train_data = {"X": X, "missing_mask": missing_mask}
model.fit(train_data)

# 4. 执行填补
imputed_data = model.impute({"X": X, "missing_mask": missing_mask})

# 5. 评估结果 (计算平均绝对误差)
mae = calc_mae(imputed_data, data, missing_mask)
print(f"填补结果的 MAE: {mae:.4f}")

关键说明

• 数据格式: PyPOTS 的模型输入通常为字典，必须包含 X (numpy array 或 torch tensor) 和 missing_mask (指示哪些位置缺失)。
• 任务扩展: 除了填补 (imputation)，PyPOTS 还支持 classification (分类), clustering (聚类), forecasting (预测) 和 anomaly_detection (异常检测)，使用方法类似，只需导入对应的模块类即可。
• 预训练模型: 部分模型支持加载预训练权重，具体请参考官方文档。