5分钟上手TimesNet：从0到1实现ETTh1数据长周期预测

你是否还在为时间序列预测中的长期依赖问题烦恼？是否尝试过多种模型却难以捕捉数据中的周期规律？本文将带你零基础上手Time-Series-Library中的TimesNet模型，通过3个核心步骤完成电力负荷数据（ETTh1）的长周期预测，让你轻松掌握工业级时间序列预测技能。

项目简介与核心价值

Time-Series-Library是一个专注于先进深度时间序列模型的开源库，集成了30+种主流时序预测算法。其中TimesNet模型创新性地将傅里叶变换（Fourier Transform）与深度学习结合，通过捕捉数据中的多尺度周期特征，在电力、交通等行业的长周期预测任务中表现卓越。

项目结构清晰，主要模块包括：

• 模型核心代码：models/TimesNet.py
• 任务执行脚本：scripts/long_term_forecast/ETT_script/
• 数据处理模块：data_provider/
• 官方教程：tutorial/TimesNet_tutorial.ipynb

TimesNet工作原理简析

TimesNet的核心创新在于多周期融合机制，通过傅里叶变换提取时间序列中的关键周期，再通过2D卷积捕捉不同周期的变化模式。其工作流程如下：

1. 周期检测：使用FFT（快速傅里叶变换）分析时间序列，自动识别Top-K显著周期
2. 周期分解：将原始序列按检测到的周期分解为多个子序列
3. 多尺度学习：通过Inception卷积块学习不同周期的局部特征
4. 自适应融合：基于周期重要性权重融合多尺度特征

核心代码实现可见models/TimesNet.py中的FFT_for_Period函数和TimesBlock类，其中周期检测关键代码如下：

def FFT_for_Period(x, k=2):
    # [B, T, C]
    xf = torch.fft.rfft(x, dim=1)
    # 通过幅度谱寻找周期
    frequency_list = abs(xf).mean(0).mean(-1)
    frequency_list[0] = 0  # 排除直流分量
    _, top_list = torch.topk(frequency_list, k)  # 取Top-K周期
    period = x.shape[1] // top_list
    return period, abs(xf).mean(-1)[:, top_list]

ETTh1数据集预测实践

环境准备与数据获取

ETTh1（Electricity Transformer Temperature）数据集包含某地区变压器温度的小时级监测数据，共7个特征，时间跨度约2年。实验前需确保已安装必要依赖：

pip install -r requirements.txt

数据集目录结构可参考项目文档pic/dataset.png：

运行预测脚本

项目提供了预配置的TimesNet预测脚本，位于scripts/long_term_forecast/ETT_script/TimesNet_ETTh1.sh。该脚本包含4组实验，分别预测96/192/336/720小时（4/8/14/30天）的温度趋势，核心命令如下：

# 预测未来96小时（4天）
python -u run.py \
  --task_name long_term_forecast \
  --is_training 1 \
  --root_path ./dataset/ETT-small/ \
  --data_path ETTh1.csv \
  --model_id ETTh1_96_96 \
  --model TimesNet \
  --data ETTh1 \
  --features M \
  --seq_len 96 \          # 输入序列长度（4天）
  --label_len 48 \        # 标签序列长度（2天）
  --pred_len 96 \         # 预测序列长度（4天）
  --e_layers 2 \          # 编码器层数
  --d_layers 1 \          # 解码器层数
  --factor 3 \
  --enc_in 7 \            # 输入特征数
  --dec_in 7 \
  --c_out 7 \             # 输出特征数
  --d_model 16 \          # 模型维度
  --d_ff 32 \             # 前馈网络维度
  --top_k 5               # 选取Top-5周期

直接运行脚本即可启动训练与预测：

bash scripts/long_term_forecast/ETT_script/TimesNet_ETTh1.sh

关键参数解析

参数名	含义	推荐值
seq_len	输入序列长度	96（4天）
label_len	标签序列长度	48（2天）
pred_len	预测序列长度	96/192/336/720
top_k	周期检测数量	3-5
d_model	模型隐藏维度	16-64

参数调优可参考scripts/long_term_forecast/ETT_script/目录下其他模型的配置文件。

预测结果可视化

预测完成后，结果默认保存在./results/ETTh1_long_term_forecast/目录下。典型的预测效果如下（图片来源：tutorial/result.png）：

图中展示了TimesNet对ETTh1数据集未来720小时（30天）的温度预测曲线，蓝色为真实值，红色为预测值，可见模型能较好捕捉长期趋势与短期波动。

进阶应用与优化方向

1. 模型改进：

   • 尝试调整top_k参数（3-10）以适应不同数据的周期特性
   • 增加d_model和e_layers提升模型表达能力（需注意过拟合）

2. 工程实践：

   • 多模型融合：结合models/目录下的Informer、Autoformer等模型结果
   • 增量训练：修改exp/exp_long_term_forecasting.py支持在线更新

3. 应用扩展：

   • 异常检测：参考exp/exp_anomaly_detection.py
   • 缺失值填补：配置--task_name imputation实现数据修复

总结与社区资源

通过本文实践，你已掌握使用TimesNet模型进行工业级时间序列预测的核心流程。更多资源：

• 完整API文档：README.md
• 模型对比实验：scripts/目录下各任务脚本
• 社区交流：项目GitHub Issues（需自行访问）

建议进一步尝试不同数据集（如Weather、Traffic）和预测任务，探索TimesNet在不同场景下的表现。如有改进需求，可参考CONTRIBUTING.md参与项目贡献。

本文配套代码已同步至项目仓库，欢迎点赞收藏，持续关注Time-Series-Library的最新更新！