如何快速上手Time-Series-Library：时序数据分析的终极指南

【免费下载链接】Time-Series-Library A Library for Advanced Deep Time Series Models. 项目地址: https://gitcode.com/GitHub_Trending/ti/Time-Series-Library

Time-Series-Library是一个专门为深度学习研究者设计的开源时序数据分析库，它为时间序列预测、异常检测、分类和插补等五大主流任务提供了统一的代码基准和评估框架。无论你是时序数据分析的新手还是经验丰富的研究者，这个库都能帮助你快速评估先进的深度时序模型或开发自己的模型。

🚀 快速开始：三步上手时序分析

第一步：环境配置与安装

首先确保你的Python版本为3.8或更高，然后执行以下命令安装依赖：

pip install -r requirements.txt

第二步：数据准备与理解

Time-Series-Library支持多种时序数据集，包括长期预测的ETT数据集、短期预测的M4数据集等。你可以从官方提供的下载链接获取预处理好的数据集，并将其放置在./dataset文件夹中。

该库涵盖了从长期预测（最长720个时间步）到短期预测（M4数据集），从异常检测到时序分类的完整任务体系。

第三步：模型训练与评估

项目提供了完整的实验脚本，你只需运行对应的shell文件即可复现实验结果：

# 长期预测示例
bash ./scripts/long_term_forecast/ETT_script/TimesNet_ETTh1.sh

# 短期预测示例  
bash ./scripts/short_term_forecast/TimesNet_M4.sh

# 异常检测示例
bash ./scripts/anomaly_detection/PSM/TimesNet.sh

# 分类任务示例
bash ./scripts/classification/TimesNet.sh

🎯 核心功能：五大时序分析任务

长期时序预测

Time-Series-Library在长期预测任务上表现卓越，支持96-720个时间步的预测范围。当前领先的模型包括：

• TimeXer：支持外生变量的实用预测范式
• iTransformer：倒置Transformer架构的最新技术
• TimeMixer：可分解的多尺度混合模型

异常检测与分类

该库还提供了强大的异常检测和分类能力，能够识别时序数据中的异常模式并进行准确分类。

📊 效果展示：预测结果可视化

从结果图中可以看到，模型的预测值（橙色曲线）与真实值（蓝色曲线）高度吻合，证明了其在时序分析任务上的出色表现。

🔧 技术原理：时序数据的2D转换

Time-Series-Library中的许多先进模型都采用了创新的时序数据处理方法：

这种1D到2D的转换方法让模型能够更好地捕捉时序数据中的周期性变化和复杂模式。

💡 开发指南：如何扩展自定义模型

如果你想在Time-Series-Library的基础上开发自己的时序模型，只需遵循以下步骤：

1. 添加模型文件：将你的模型代码放置在./models目录下
2. 注册模型：在./exp/exp_basic.py的Exp_Basic.model_dict中包含新模型
3. 创建脚本：在./scripts目录下创建对应的实验脚本

🏆 性能排行榜

Time-Series-Library维护着详细的模型性能排行榜，涵盖了所有支持的时序任务。当前在长期预测任务中排名前三的模型分别是TimeXer、iTransformer和TimeMixer。

🌟 最新特性：大时序模型支持

考虑到大时序模型的快速发展，Time-Series-Library新增了零样本预测功能，支持Chronos2、TiRex、Sundial等先进的大时序模型。

无论你是想要快速上手时序分析，还是需要构建复杂的时序预测系统，Time-Series-Library都为你提供了完整的解决方案。从数据准备到模型训练，从性能评估到结果可视化，这个库都能帮助你高效完成时序数据分析任务。

【免费下载链接】Time-Series-Library A Library for Advanced Deep Time Series Models. 项目地址: https://gitcode.com/GitHub_Trending/ti/Time-Series-Library