零门槛掌握Time-Series-Library：5大场景实战指南

时间序列分析面临模型选择难、实现复杂、部署繁琐三大痛点，Time-Series-Library（TSLib）提供一站式解决方案，集成20+先进模型与全流程工具链，让开发者零基础也能在30分钟内完成专业级时间序列任务。无论是电力负荷预测、设备异常检测还是传感器数据补全，都能通过简洁接口实现工业级精度。

快速上手：3分钟环境搭建

1. 获取代码仓库

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

2. 安装依赖包

pip install -r requirements.txt

核心模块：requirements.txt

3. 准备数据集

从官方渠道下载预处理数据集，解压至项目根目录的dataset文件夹。支持ETT、ECL、Traffic等10+种标准时间序列数据集。

场景实战1：预测电力负荷波动 📊

目标说明

使用TimesNet模型对ETTh1电力数据集进行720小时长期预测，评估指标为MSE和MAE。

实施步骤

1. 选择任务脚本

cd scripts/long_term_forecast/ETT_script/

核心模块：scripts/long_term_forecast/

2. 执行训练命令

bash TimesNet_ETTh1.sh --batch_size 32 --learning_rate 0.001

3. 设置评估参数

# 脚本内部已预设，主要参数包括：
# - seq_len=96（输入序列长度）
# - pred_len=720（预测序列长度）
# - features=MS（多变量预测模式）

结果验证

训练完成后，在results/ETT/ETTh1/TimesNet目录下查看：

• 预测误差报告：metrics.txt
• 可视化结果：prediction.png
• 模型权重文件：checkpoint.pth

图1：电力负荷预测结果对比（蓝色为真实值，橙色为预测值）

场景实战2：检测工业设备异常 🔍

目标说明

使用KANAD模型对SMD数据集进行异常检测，识别设备运行中的异常状态，评估指标为F1-Score。

实施步骤

1. 进入异常检测脚本目录

cd scripts/anomaly_detection/SMD/

2. 启动检测任务

bash KANAD.sh --window_size 100 --threshold 0.05

3. 查看检测报告

cat ../../results/SMD/KANAD/metrics.txt

结果验证

典型输出应包含：

Precision: 0.92
Recall: 0.88
F1-Score: 0.90

场景实战3：修复传感器缺失数据 🔧

目标说明

使用TimesNet模型对Weather数据集进行数据补全，处理20%随机缺失的传感器读数。

实施步骤

1. 选择补全任务脚本

cd scripts/imputation/Weather_script/

2. 执行补全命令

bash TimesNet.sh --mask_rate 0.2 --epochs 100

3. 验证补全效果

python utils/metrics.py --pred results/Weather/TimesNet/pred.npy --true dataset/Weather/true.npy

结果验证

补全质量通过MSE评估，优秀模型应达到MSE<0.01。

核心功能矩阵

模型类型	支持任务	典型应用场景	核心优势
Transformer类	长短期预测、分类	电力负荷预测	长序列依赖建模
CNN类	短期预测、补全	高频传感器数据	局部特征提取
状态空间模型	实时预测	金融时间序列	线性复杂度
混合架构	全场景任务	多模态数据	综合性能最优

图2：TSLib支持的任务类型、基准数据集及评估指标对应关系

定制专属预测模型

1. 创建模型文件

在models/目录下新建自定义模型文件：

touch models/MyModel.py

核心模块：models/

2. 实现基础架构

import torch.nn as nn

class MyModel(nn.Module):
    def __init__(self, configs):
        super().__init__()
        self.embedding = DataEmbedding(configs.enc_in, configs.d_model)
        self.conv = nn.Conv1d(configs.d_model, configs.c_out, kernel_size=3)
        
    def forward(self, x):
        x = self.embedding(x)  # 数据嵌入
        x = self.conv(x.transpose(1,2)).transpose(1,2)  # 特征提取
        return x

3. 注册模型入口

在exp/exp_basic.py中添加：

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

优化训练性能

显存优化

# 降低批次大小
bash scripts/long_term_forecast/ETT_script/TimesNet_ETTh1.sh --batch_size 16

# 启用混合精度训练
bash scripts/long_term_forecast/ETT_script/TimesNet_ETTh1.sh --use_amp True

加速推理

# 导出ONNX格式
python utils/export_onnx.py --model TimesNet --checkpoint results/ETT/ETTh1/TimesNet/checkpoint.pth

常见问题解决

数据读取错误

确保数据集路径正确：

# 验证数据集结构
ls dataset/ETT-small/ETTh1.csv

模型不收敛

调整学习率和优化器：

bash TimesNet_ETTh1.sh --learning_rate 0.0005 --optimizer adamw

总结

Time-Series-Library通过统一接口整合了时间序列分析的全流程工具，从数据预处理到模型部署，让研究者和工程师能够专注于业务逻辑而非技术细节。无论是学术研究还是工业应用，都能显著提升开发效率，加速创新迭代。

最新功能：

• 新增TimeXer模型，在长期预测任务中刷新SOTA
• 支持零样本迁移学习，跨数据集性能提升30%
• 集成自动超参数优化，模型调参时间减少60%