TSLANet

轻量级时间序列全能模型，低算力搞定分类、异常检测等任务

TSLANet 是一个面向时间序列任务的轻量级基础模型，发表于 ICML 2024。它结合卷积操作与自适应频谱分析，旨在统一处理分类、回归、异常检测和插补等多种时间序列任务。传统方法要么依赖手工特征，要么需要大量计算资源，TSLANet 通过引入自适应频谱块（ASB）和轻量卷积设计，在保持高精度的同时大幅降低参数量和计算开销。该模型支持多领域时间序列数据，如医疗、能源、交通等，并能在少样本和跨领域场景下快速适应。其核心能力包括：高效的特征提取、长期依赖建模、以及无需大规模预训练即可迁移的灵活性。TSLANet 特别适合资源受限的实时应用和边缘设备，解决了现有深度模型在时间序列任务中计算成本高、泛化能力弱的问题。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 267

维护状态低维护

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队emadeldeen24

所属国家

官网地址

GitHubhttps://github.com/emadeldeen24/TSLANet

定价模式free

价格说明开源项目，MIT许可证，完全免费，可自行部署使用。

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型anomaly-detection,classification,cnn,convolutional-neural-networks,forecasting,foundation-models,frequency-analysis,masking,representation-learning,time-series,transformer,unified-model

GitHub 星标★ 267

30天Star增速

HF 下载量

上线时间2024-04-12 00:00:00

最近更新2026-09-15 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数2

使用教程

核心亮点

ICML 2024 论文背书，方法有理论创新性，结合卷积与自适应频谱分析
参数量小、推理快，适合边缘设备和实时场景
统一支持分类、回归、异常检测、插补四类任务，通用性强

不足之处

GitHub 星标仅 267，社区活跃度和生态成熟度较低，文档和示例可能不够丰富
作为早期项目，API 可能不稳定，且缺少大规模预训练权重，用户需自行训练

适用场景

工业设备传感器数据的异常检测与预测性维护
医疗健康监测（如心电图、脑电图）的实时分类
能源负荷预测和交通流量预测等时序回归任务

替代项目

TimesNet、PatchTST、Autoformer

项目介绍

TSLANet 是模型训练领域的开源项目，由 emadeldeen24 开发，2024 年首次发布。

它收录于模型训练分类，该分类目前共有 522 个项目，GitHub 星标数为 267。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-15。MIT许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：工业设备传感器数据的异常检测与预测性维护。同类可对比的替代方案包括 TimesNet、PatchTST、Autoformer。

上一篇：finetune-SAM

下一篇：MTP