UniTS

一个模型搞定预测、分类、填补，告别多套时间序列方案

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署开源模型 🍴 复刻 99 🐛 待处理 28 👀 关注 16

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 648

维护状态低维护

是否开源开源

定价模式 🏷️完全免费开源模型，MIT许可证，完全免费，可自行部署使用。

项目预览

项目数据

分类开源模型

开发团队mims-harvard

官网地址https://zitniklab.hms.harvard.edu/projects/UniTS

GitHubhttps://github.com/mims-harvard/UniTS

定价模式🏷️完全免费

价格说明开源模型，MIT许可证，完全免费，可自行部署使用。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议MIT

主要语言Python

技术栈/模型anomaly-detection,classification,ecg,eeg,few-shot,forecasting,foundation-models,imputation,multi-task,prompt-tuning,time-series,unified-model,zero-shot

GitHub 星标★ 648

上线时间2024-02-16 00:00:00

代码更新2024-09-26

仓库体积49 KB

本站数据更新2026-11-09

维护状态低维护

收录时间2026-08-09

浏览次数2

项目介绍

UniTS是一个统一的多任务时间序列模型，旨在解决传统时间序列模型只能处理单一任务（如预测、分类或异常检测）的问题。它通过一个统一的网络架构，支持分类、回归、预测、填补缺失值等多种时间序列任务，并能在不同任务间共享知识。UniTS的核心能力包括：支持多任务联合训练，提升模型泛化能力；提供灵活的输入输出接口，适配不同时间序列数据格式；基于Transformer架构，捕获长程依赖关系。该项目适合需要一站式处理多种时间序列分析任务的场景，如金融预测、工业监控、医疗健康等。目前处于早期阶段，代码和文档已开源，便于研究者复现和扩展。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 648

技术标签

anomaly-detection classification forecasting foundation-models prompt-tuning

使用教程

难度：高级约 120 分钟部署方式：本地GPU 5 步

环境要求

GPU 24G 显存
约 20G 数据集
PyTorch

安装与启动步骤

1装依赖

纯 Python 环境，依赖不多，重点是版本兼容。
```
pip install -r requirements.txt
```
2下全部数据

官方脚本会一次拉齐多个领域的数据集，磁盘要留够。
```
bash download_data_all.sh
```
3跑预训练

统一模型的核心是这套提示学习预训练，先用小规模跑通。
```
bash ./scripts/pretrain_prompt_learning/UniTS_pretrain_x128.sh
```
4跑有监督

换个脚本做端到端有监督训练，验证多任务共享参数是否成立。
```
bash ./scripts/supervised_learning/UniTS_supervised.sh
```
5试小样本与零样本

脚本目录按场景分好了，换数据集只改脚本里的路径。
```
bash ./scripts/few_shot_newdata/UniTS_finetune_few_shot_newdata_pct20.sh
```