TOTEM

把时间序列变成 token，一个模型搞定预测、分类、异常检测

TOTEM 是一个面向通用时间序列分析的开源模型，核心思路是将连续的时间序列数据离散化为 token（令牌），从而将时间序列分析任务统一转化为类似自然语言处理的 token 处理问题。它解决了传统时间序列模型难以跨任务泛化、特征工程繁琐的痛点，提供了一套预训练嵌入模型，能够将时间序列片段映射为紧凑的向量表示，并支持分类、回归、异常检测、预测等多种下游任务。TOTEM 基于 Transformer 架构，通过自监督学习在大规模时间序列语料上预训练，学习到通用的时序语义。项目代码使用 Python 和 PyTorch 实现，提供了完整的训练、微调和推理流程，方便研究者复现和扩展。其核心能力在于：统一的 token 化表示、跨领域迁移能力、以及多任务适配的灵活性，为时间序列分析提供了一种新的范式。