Time-Series-Library 快速上手：零门槛时序预测，三步跑通第一条预测曲线

Time-Series-Library 快速上手：零门槛时序预测，三步跑通第一条预测曲线

【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

没写过一行 PyTorch，今天能跑起一个时间序列预测模型吗？能。只需三步：装依赖、把数据放进指定文件夹、执行一条 DLinear 命令，用 Time-Series-Library 十分钟内就能看到第一条预测曲线，全程 CPU 就能完成。

先看成果：一条曲线、两个数 📈

动手前先验收目标。下面是官方教程里一次完整预测跑完的输出，蓝线是真实值（GroundTruth），橙线是模型预测值（Prediction）：

• 除了这张图，终端最后还会打印 test mse 与 test mae 两个数值，越小代表预测越准；
• 下文所有步骤，都是为复现这张图和这两个数。

本文按“结果前置”讲：先看到效果，再倒推怎么做，每一步你都知道自己在验证什么。

三条命令装好 PyTorch 与依赖

唯一硬要求：Python 3.8 及以上。依赖清单已锁定在 requirements.txt 里，直接整包安装，不用猜版本：

git clone https://gitcode.com/GitHub_Trending/ti/Time-Series-Library cd Time-Series-Library python -m venv venv && source venv/bin/activate pip install -r requirements.txt

PyTorch 不在 requirements 里，需要单独装：

pip install torch torchvision

• 有 NVIDIA 显卡：自行改装 CUDA 版本，训练更快；
• 没有显卡：上面这条 CPU 版完全够用，本文示例在 CPU 上几分钟跑完。

下载 ETT 数据，放进 ./dataset 文件夹

仓库刻意不带数据文件以保持轻量，下载渠道在 README.md 里列了多个镜像，选一个能打开的即可。关键只有一条：解压后，项目根目录下必须存在./dataset/ETT-small/，里面能看到ETTh1.csv：

检查项	期望结果
./dataset/ETT-small/ETTh1.csv存在	长时序预测（本文主线）就能跑
其他 ETT 子集、Weather、Traffic 等	放好即可被对应脚本识别

库支持五类任务，全部由--task_name一个参数切换，实验逻辑都在 exp/ 目录：

--task_name 取值	任务
long_term_forecast	长时序预测（本文主线）
short_term_forecast	短时序预测（M4 竞赛数据）
imputation	缺失值填补
classification	时序分类
anomaly_detection	异常检测

用一条 DLinear 命令跑通首次预测 🚀

第一次别贪大。选最轻的 DLinear（本质是两层线性模型，训练极快），只跑 1 轮，目的就是验证链路通了。入口是 run.py，把下面这段原样复制执行：

python -u run.py --task_name long_term_forecast --is_training 1 \ --root_path ./dataset/ETT-small/ --data_path ETTh1.csv \ --model_id test_long --model DLinear --data ETTh1 --features M \ --seq_len 96 --pred_len 96 --enc_in 7 --dec_in 7 --c_out 7 \ --train_epochs 1 --num_workers 2

几个参数各管一件事：

参数	作用	示例值
--seq_len	回看多少步作为输入	96（按小时频率约 4 天）
--pred_len	向未来预测多少步	96
--features	M：7 变量预测 7 变量；S：单变量预测单变量；MS：多变量预测单变量	M
--enc_in / --dec_in / --c_out	ETT 数据集的变量数	7
--train_epochs	训练轮数，先 1 轮跑通，正式跑改 10	1

跑完你会在结果目录看到第一节那张图，终端末尾打印 test mse、test mae——到此，链路已验证成功。

训练挂了？OOM、缺文件、CPU 问题直接查表 🛠️

症状	先看哪里	直接怎么改
CUDA out of memory	显存不够	加--batch_size 8（默认 32）降批量
机器没 GPU 想强制 CPU	默认会自动探测设备	加--no_use_gpu明确走 CPU
提示找不到 ETTh1.csv	数据没放对	确认./dataset/ETT-small/ETTh1.csv真实存在
pip 安装时依赖冲突	版本被全局环境污染	坚持用 venv，按 requirements.txt 固定版本重装

跑通之后：换 TimesNet、换任务

链路验证完成后，换模型只改一个参数：--model可取 TimesNet、Autoformer、PatchTST、Mamba 等，全部实现在 models/ 目录。现成脚本也备好了，比如 scripts/long_term_forecast/ETT_script/Autoformer_ETTh1.sh 会把 ETTh1 的 96→96、96→192、96→336、96→720 四组预测一次跑完：

bash scripts/long_term_forecast/ETT_script/Autoformer_ETTh1.sh

想逐行理解模型怎么被训练和测试，打开 tutorial/TimesNet_tutorial.ipynb，官方教程把每一步都走了一遍，可以直接对照本文的命令读。

今天的最小下一步：先把那条 DLinear 命令跑通，看到 test mse 打印出来，这个库就算在你手里了；之后只需改--model和--pred_len，就能横向对比不同模型在不同预测长度下的表现。后续新模型、新数据集的更新，跟着项目 README 走即可。

【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