尧图网页设计 
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-LibraryTSLib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。项目信息开发语言PythonPyTorch运行平台Linux / Windows / macOS建议配 GPU核心能力长期/短期预测、缺失值填补、异常检测、时间序列分类、零样本预测内置模型TimesNet、iTransformer、PatchTST、TimeMixer、Informer 等 40 多个适用人群想入门深度时间序列的新手、研究者、应用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 python3.11 -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。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。脚本指定了不存在的显卡。scripts/下部分脚本开头有export CUDA_VISIBLE_DEVICESN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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 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-LibraryTSLib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。项目信息开发语言PythonPyTorch运行平台Linux / Windows / macOS建议配 GPU核心能力长期/短期预测、缺失值填补、异常检测、时间序列分类、零样本预测内置模型TimesNet、iTransformer、PatchTST、TimeMixer、Informer 等 40 多个适用人群想入门深度时间序列的新手、研究者、应用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 python3.11 -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。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。脚本指定了不存在的显卡。scripts/下部分脚本开头有export CUDA_VISIBLE_DEVICESN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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考