TimeNet是一个面向时间序列基础模型（Temporal Foundation Models）的开源数据基础设施项目，目前处于预发布阶段，其公开API和TimeF数据格式在1.0版本前仍可能调整。该项目旨在解决时序数据集格式碎片化的问题：现有时序数据集采用大量互不兼容的存储布局，TimeF将其统一为单一存储格式，TimeNet则提供一套API完成数据集的查找、构建、下载与加载，模型训练、推理和评测仍交由用户自选框架处理。架构上，一个TimeF版本由manifest.json（标识数据集并列出文件）、control.duckdb（存储层级与关系）以及Parquet或Zarr数值平面（存储信号值）组成；连接器负责将原始数据源转换为TimeF版本，注册表保存不可变的TimeF版本，客户端无需引入连接器即可直接读取。整个仓库采用uv工作区结构，包含timenet核心包（TimeF模型、读写器、注册表、SDK与CLI）和timenet-connectors包（数据集连接器与构建CLI）。项目要求Python 3.11及以上版本，提供hello-world快速上手示例，本地注册表支持离线加载。项目采用MIT许可证，但仅覆盖TimeNet代码本身，连接器获取的数据集仍保留上游许可与访问条款。此外，TimeNet在线黑客马拉松已启动，参与者可选择预测、分类、推理等时序任务，注册数据集并训练或微调OpenTSLM等时序AI模型。
事件分析
技术设计上，TimeNet借鉴了包管理器与模型托管的成熟范式：不可变版本注册表类似npm与Docker Registry的思路，而’统一格式+统一API’的做法则与HuggingFace Datasets在NLP领域的路径一脉相承，并通过DuckDB管理元数据、Parquet/Zarr承载数值，兼顾了层次关系查询与大规模信号存储。产业层面，时序基础模型是大模型版图中增长较快的分支，谷歌TimesFM、亚马逊Chronos、Salesforce Moirai等相继落地，但数据层标准长期缺失，数据清洗与格式适配构成训练与评测的隐性成本。若TimeNet能沉淀为社区默认格式，有望显著降低时序模型研发门槛。后续观察点有二：一是预发布阶段API与TimeF格式的稳定性演进；二是黑客马拉松能否带动足够多的数据集连接器和下游模型生态，这将决定项目能否形成数据与模型相互牵引的网络效应。
核心观点：数据格式碎片化是时序基础模型规模化的隐性瓶颈，TimeNet正试图成为时序领域的HuggingFace。
原文链接：Hacker News
