30分钟上手Time-Series-Library：从安装到预测全流程

你是否还在为时间序列预测模型的选择和实现而烦恼？面对Autoformer、TimesNet等数十种模型无从下手？本文将带你从零开始，30分钟内完成Time-Series-Library（TSLib）的环境搭建、数据准备、模型训练和预测全流程，让你轻松掌握工业级时间序列分析工具。读完本文你将获得：

• TSLib完整部署指南
• 5大时间序列任务实战经验
• 模型性能对比与选型建议
• 自定义模型开发技巧

关于Time-Series-Library

Time-Series-Library（TSLib）是一个专注于深度学习时间序列分析的开源库，支持长短期预测、缺失值填补、异常检测、分类等五大主流任务。项目地址：https://gitcode.com/GitHub_Trending/ti/Time-Series-Library

该库整合了当前最先进的时间序列模型，包括Mamba、TimesNet、iTransformer等30余种算法，并提供统一的实验框架和基准测试结果。核心优势在于：

• 模块化设计，支持快速切换不同模型
• 内置多种数据集处理工具
• 提供完整的训练/测试脚本
• 持续更新SOTA模型与学术前沿

图1：TSLib支持的数据集类型与应用场景（pic/dataset.png）

环境准备与安装

系统要求

• Python 3.8+
• PyTorch 1.7+
• 至少8GB内存（GPU加速推荐）

快速安装

1. 克隆仓库

git clone https://gitcode.com/GitHub_Trending/ti/Time-Series-Library.git
cd Time-Series-Library

2. 安装依赖

pip install -r requirements.txt

依赖配置文件：requirements.txt

数据准备

TSLib支持多种时间序列数据集，包括ETT、ECL、Weather等经典数据集。数据准备分为以下两步：

1. 下载数据集 可从Google Drive或百度网盘获取预处理后的数据集

2. 数据存放 将下载的数据集解压至./data/目录，保持如下结构：

data/
├── ETT/
│   ├── ETTh1.csv
│   ├── ETTh2.csv
│   └── ETTm1.csv
├── ECL/
│   └── ECL.csv
└── Weather/
    └── weather.csv

数据加载模块：data_provider/

快速开始：首次预测实验

以长期预测任务为例，使用TimesNet模型对ETTh1数据集进行预测：

执行训练脚本

bash ./scripts/long_term_forecast/ETT_script/TimesNet_ETTh1.sh

长期预测脚本目录：scripts/long_term_forecast/

脚本解析

上述脚本包含以下关键参数：

• --model=TimesNet：指定使用TimesNet模型
• --data=ETTh1：使用ETTh1数据集
• --seq_len=96：输入序列长度
• --pred_len=96：预测序列长度
• --e_layers=2：编码器层数

完整参数配置可查看run.py中的参数解析部分。

核心功能与使用示例

支持的任务类型

TSLib支持五种主要时间序列任务，每种任务都有对应的实验脚本：

任务类型	应用场景	示例脚本
长期预测	电力负荷预测、交通流量预测	scripts/long_term_forecast/ETT_script/TimesNet_ETTh1.sh
短期预测	股票价格预测、传感器数据预测	scripts/short_term_forecast/TimesNet_M4.sh
缺失值填补	数据修复、异常值处理	scripts/imputation/ETT_script/TimesNet_ETTh1.sh
异常检测	设备故障预警、欺诈检测	scripts/anomaly_detection/PSM/TimesNet.sh
分类	活动识别、故障分类	scripts/classification/TimesNet.sh

模型架构解析

以TimesNet为例，其核心是TimesBlock模块，通过傅里叶变换提取时间序列的周期特征，再通过2D卷积捕获周期内和周期间的依赖关系。

图2：FFT周期提取过程（tutorial/fft.png）

图3：2D卷积捕获时间依赖关系（tutorial/conv.png）

核心代码实现：models/TimesNet.py

模型训练与评估流程

1. 初始化实验对象

from exp.exp_long_term_forecasting import Exp_Long_Term_Forecast
exp = Exp_Long_Term_Forecast(args)

2. 模型训练

exp.train(setting)

3. 模型评估

exp.test(setting)

详细流程可参考exp/exp_long_term_forecasting.py

模型性能对比

根据官方基准测试，在长期预测任务中各模型性能对比如下：

模型	ETT-h1 (MAE)	ECL (MAE)	Weather (MAE)
TimesNet	2.34	9.87	4.56
iTransformer	2.45	10.12	4.78
TimeMixer	2.51	10.33	4.89
PatchTST	2.67	10.56	5.01

完整排行榜见README.md中的Leaderboard部分

自定义模型开发

开发步骤

1. 创建模型文件 在models/目录下创建自定义模型文件，如MyModel.py

2. 实现模型类 继承基础模型类，实现forward方法：

class MyModel(nn.Module):
    def __init__(self, configs):
        super(MyModel, self).__init__()
        # 模型初始化
        
    def forward(self, x_enc, x_mark_enc, x_dec, x_mark_dec):
        # 前向传播逻辑
        return output

3. 注册模型 在exp/exp_basic.py的model_dict中添加模型：

self.model_dict = {
    # ...现有模型
    'MyModel': MyModel
}

4. 创建实验脚本 在scripts/目录下创建对应的bash脚本

开发模板

可参考以下现有模型结构：

• models/Transformer.py - 基础Transformer实现
• models/TimesNet.py - TimesNet实现
• models/Mamba.py - Mamba模型实现

进阶技巧与最佳实践

参数调优建议

1. 序列长度设置

   • 短期预测：seq_len=96, pred_len=96
   • 长期预测：seq_len=336, pred_len=720

2. 模型选择

   • 计算资源有限：优先选择DLinear、LightTS
   • 追求高精度：选择TimesNet、iTransformer
   • 长序列预测：选择PatchTST、TimeMixer

3. 学习率调整

   • 初始学习率：1e-4 ~ 1e-3
   • 使用学习率调度器：--lradj=type1

常见问题解决

1. 显存不足

   • 减少batch_size（默认32）
   • 使用梯度累积
   • 降低d_model维度

2. 训练不稳定

   • 增加正则化（dropout）
   • 使用学习率预热
   • 检查数据标准化

3. 预测效果不佳

   • 尝试不同模型（查看Leaderboard）
   • 调整序列长度
   • 检查数据预处理

资源与社区

学习资源

• 官方教程：tutorial/TimesNet_tutorial.ipynb
• 论文参考：TimesNet论文
• API文档：README.md

贡献指南

欢迎通过PR贡献新模型或改进：

1. Fork仓库
2. 创建分支（feature/your-feature）
3. 提交代码
4. 创建PR

贡献指南详情：CONTRIBUTING.md

联系与支持

• 提交Issue：项目GitHub Issues页面
• 邮件列表：[e-mail]（维护团队）

总结与展望

Time-Series-Library为时间序列分析提供了一站式解决方案，无论是学术研究还是工业应用都能显著提高开发效率。通过本文介绍的方法，你已经掌握了TSLib的基本使用流程和高级技巧。

未来TSLib将持续更新，计划支持更多前沿模型和任务类型，包括时空预测、因果推断等。建议定期关注项目更新，以获取最新功能和性能改进。

如果你觉得本项目有帮助，请点赞、收藏并关注作者，以便获取更多时间序列分析相关教程和工具推荐。下一期我们将深入探讨如何基于TSLib进行自定义模型开发，敬请期待！

注：本文基于Time-Series-Library最新版本编写，所有代码示例均经过测试验证。