Time-Series-Library 快速安装指南从零到第一次时序预测曲线只要 10 分钟【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-LibraryTime-Series-Library 是一个汇集 40 多个深度学习模型的时序预测库内置长期/短期预测、异常检测、分类、填补等任务换模型只改一个参数。跟完本文你手上会有一个可运行的预测环境一条训练评估命令跑通./test_results/里躺着你的第一条预测曲线。读完你将拿到 3 样东西一个干净的运行环境独立 conda 环境 全部依赖装好不污染你机器上的其他项目一份就位的数据ETT-small 数据集放进./dataset/参数直接能跑一次成功的预测训练完成、指标落盘、预测图生成全流程走通一遍起飞前检查环境要求Python 3.11项目 README 按此版本给出依赖内存 8GB 起有 NVIDIA 显卡可走 GPU没有也能在 CPU 上跑磁盘预留 10GB 左右依赖包 数据 模型输出装好 git 和 conda或等价的虚拟环境工具CUDA 12.1 更佳GPU 场景下 torch 装 cu121 版本第 1步 · 拿到代码与依赖先克隆仓库并进入目录后面所有命令都在这里执行git clone https://gitcode.com/GitHub_Trending/ti/Time-Series-Library cd Time-Series-Library创建独立环境并激活避免依赖冲突conda create -n tslib python3.11 conda activate tslib分两步装依赖torch 单独装GPU 用户装 CUDA 版CPU 用户直接pip install torch其余依赖由 requirements.txt 一次带齐pip install torch2.5.1 --index-url https://download.pytorch.org/whl/cu121 pip install -r requirements.txt这两步完成后python -c import torch不报错即可进入下一步。想跑 Mamba、Moirai 等个别模型时再按 README_zh.md 的说明补装对应依赖即可。第 2步 · 放好数据项目按目录找数据--root_path指向文件夹--data_path指向其中的 CSV 文件。首次体验只需 ETT-small 这一个数据集按 README_zh.md 中的数据下载说明获取压缩包解压后放到仓库根目录下形成这样的结构./dataset/ └── ETT-small/ ├── ETTh1.csv ├── ETTh2.csv ├── ETTm1.csv └── ETTm2.csv项目覆盖的任务和数据集范围如下表所示ETT 四件套属于最常用的长期预测基准和--data ETTh1搭配的--features参数决定预测模式白话解释M看所有变量预测所有变量默认首次运行用它S只看一个变量预测这一个变量MS看所有变量只预测其中一个配合--target指定目标列第 3步 · 跑出第一次预测 下面这条命令来自 README 的快速测试用轻量模型 DLinear 只训 1 个 epoch几分钟内出结果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关键参数速查参数作用示例值--model选模型models/ 下有多少就能换多少DLinear、TimesNet--data数据集名和 CSV 文件名对应ETTh1--seq_len用多长的历史做输入96小时级数据即 4 天--pred_len预测未来多长96--features预测模式 M / S / MSM--train_epochs训练轮数首次体验调小可省时间1跑完后预测曲线在./test_results/的对应实验目录里误差指标MAE/MSE 等存在./results/。机器配置低或想快速验证流程时保持--train_epochs 1并把--batch_size降到 16 即可没有 GPU 不用担心run.py 会自动回落到 CPU。效果长这样教程中 TimesNet 的预测 vs 真实值对比跑挂了3 个高频报错的修复现象 1FileNotFoundError提示找不到 ETTh1.csv 原因数据没放在--root_path指向的目录里 修复mkdir -p dataset/ETT-small cp ~/Downloads/ETT-small/ETTh1.csv dataset/ETT-small/现象 2CUDA out of memory原因默认 batch 偏大显存吃紧 修复在命令后追加参数重跑python -u run.py ... --batch_size 16现象 3ModuleNotFoundError: No module named torch原因当前 shell 不在 tslib 环境里或 torch 没装上 修复conda activate tslib pip install torch2.5.1下一步想边跑边看模型内部结构打开 tutorial/TimesNet_tutorial.ipynb有完整的可视化教程想复现论文完整实验scripts/ 下按任务分目录放好了各模型的运行脚本想了解怎么贡献新模型读一遍 CONTRIBUTING.md收藏这篇文章之后换数据集、换模型回来翻就行跑通后欢迎去项目仓库提 issue把你遇到的坑告诉更多人。【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