Time-Series-Library 时间序列预测快速上手：跑通 TimesNet 拿到预测结果的 5 步

Time-Series-Library 时间序列预测快速上手：跑通 TimesNet 拿到预测结果的 5 步

【免费下载链接】Time-Series-LibraryA Library for Advanced Deep Time Series Models for General Time Series Analysis.项目地址: https://gitcode.com/GitHub_Trending/ti/Time-Series-Library

你手里有一份电力变压器的 96 小时油温记录，想预测接下来 720 小时——这类时间序列预测任务自己搭模型、配数据集很繁琐。Time-Series-Library（TSLib）把它变成一条命令：这是 Python 写的开源深度时间序列分析库，覆盖预测、填补、异常检测、分类等 5 类任务，内置 TimesNet 等 40 多个主流模型。

📊 项目速览：这套时间序列预测库适合谁

TSLib 是深度时间序列分析的统一代码库和基准测试平台，适合评估新模型性能的研究者，也适合想把深度时间序列模型直接用到预测场景里的工程师。

核心能力拆解：时间序列预测最实用的 3 个场景

2D 周期建模做长期预测

TimesNet 先用傅里叶频谱（一种把波动拆成不同频率成分的分析方法）找出数据中前几个主要周期，把一维序列按周期重排成二维矩阵，再用 2D 卷积同时捕捉周期内的变化和周期之间的变化。它适合"输入 96 小时、预测未来 720 小时"这类任务，在库内的短期预测、填补、分类、异常检测 4 个任务榜单中排名第一。

一套框架跑 5 类时间序列分析任务

同一个模型靠--task_name参数切换任务，数据加载、训练流程、评估指标都由框架处理。同一份 ETTh1 数据集，这次跑长期预测，下次改成缺失值填补（默认掩掉 12.5% 的数据），流程代码不用改。

内置基准脚本与榜单

scripts/目录存放了"模型 × 数据集 × 任务"组合的现成参数脚本，输出指标与 README 中的榜单一一对应。想核对 TimesNet 在 ETT 数据集上的官方结果，执行一个 bash 命令即可，模型本身可以看源码 models/TimesNet.py。

从零上手：安装环境并跑第一次时间序列预测

准备环境

克隆仓库并创建 Python 3.11 环境：

git clone https://gitcode.com/GitHub_Trending/ti/Time-Series-Library cd Time-Series-Library conda create -n tslib python=3.11 -y && conda activate tslib pip install -r requirements.txt

有 NVIDIA GPU 的话，先装与本地 CUDA 匹配的 torch（官方建议 torch 2.5.1）。再把预处理好的数据集（下载入口写在 README 里）放到项目根目录的./dataset文件夹，本文示例用其中体积最小的 ETT-small。

最小运行示例

下面这条快速测试只训练 1 个 epoch，然后立刻在 ETTh1 上完成一次 96 步到 96 步的预测：

python -u run.py --task_name long_term_forecast --is_training 1 --root_path ./dataset/ETT-small/ --data_path ETTh1.csv --model_id quick_test --model TimesNet --data ETTh1 --features M --seq_len 96 --label_len 48 --pred_len 96 --e_layers 2 --d_layers 1 --d_model 16 --d_ff 32 --enc_in 7 --dec_in 7 --c_out 7 --top_k 5 --train_epochs 1

看到第一个结果

跑完后终端会打印测试集上的 MSE 和 MAE 两个误差指标，说明环境已完整跑通；模型权重保存在checkpoints/，预测对比图保存在results/。

完整示例走一遍：用 TimesNet 预测 720 小时变压器温度

• 输入：./dataset/ETT-small/ETTh1.csv，每 15 分钟采样一次的 7 路传感器数据；任务是输入 96 个时间点，预测未来 720 个时间点（约 7 天）。
• 操作：执行官方脚本 scripts/long_term_forecast/ETT_script/TimesNet_ETTh1.sh，它会依次跑 96/192/336/720 四种预测长度；想改参数直接编辑这个文件。其中top_k是 TimesNet 保留的主要周期数量，数据周期性越强可以调得越大。
• 产出：每个预测长度输出对应的 MSE/MAE，并保存各通道的预测曲线。下图来自官方教程，蓝线为真实值、橙线为模型预测：

⚠️ 避坑与常见疑问：新手最容易卡住的 3 个地方

1. torch 装完报错或 GPU 不可用。torch 的预编译包与 CUDA 版本绑定，版本不匹配会在启动时报错；先查本地 CUDA 版本，再按 PyTorch 官方版本表选对应包。
2. 启动时 FileNotFoundError。数据必须放在./dataset（如./dataset/ETT-small/ETTh1.csv），放错位置框架会立刻报错，先核对路径再排查模型。
3. 脚本指定了不存在的显卡。scripts/下部分脚本开头有export CUDA_VISIBLE_DEVICES=N，指定某块 GPU 的编号；机器上没有对应编号时改成实际编号或注释掉这行。

🚀 下一步：往哪里深入

框架和数据流程都替你准备好了，你只需放入数据、执行命令。想逐层看 TimesNet 的结构，从官方教程 tutorial/TimesNet_tutorial.ipynb 开始；更多背景见README_zh.md中文文档，之后可以照着models/和scripts/的写法加入自己的模型。

【免费下载链接】Time-Series-LibraryA Library for Advanced Deep Time Series Models for General Time Series Analysis.项目地址: https://gitcode.com/GitHub_Trending/ti/Time-Series-Library