5分钟上手Time-Series-Library：从模型训练到部署全流程指南-优快云博客

5分钟上手Time-Series-Library：从模型训练到部署全流程指南

【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

你是否还在为时间序列预测模型的选择而烦恼？面对Autoformer、TimesNet等数十种模型不知如何入手？本文将带你零基础掌握Time-Series-Library（TSLib）的完整使用流程，从环境搭建到模型部署，让你轻松应对长短期预测、异常检测等五大时间序列任务。

1. 项目概述

Time-Series-Library（TSLib）是一个专注于深度学习时间序列分析的开源库，提供了统一的代码框架来评估和开发先进的时间序列模型。该库支持五大主流任务：长短期预测、缺失值填补、异常检测和分类。

官方文档：README.md 社区教程：TimesNet_tutorial.ipynb

2. 环境准备

2.1 安装依赖

首先克隆项目仓库并安装所需依赖：

git clone https://gitcode.com/GitHub_Trending/ti/Time-Series-Library
cd Time-Series-Library
pip install -r requirements.txt

2.2 数据集准备

TSLib支持多种公开数据集，可从Google Drive或百度网盘下载预处理好的数据集，解压后放在./dataset目录下。

3. 模型训练实战

3.1 快速启动训练

TSLib提供了便捷的脚本文件来启动不同任务的训练。以长短期预测任务为例：

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

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

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

3.2 自定义训练参数

通过修改run.py文件中的参数，可以自定义训练过程。关键参数包括：

# 模型参数
parser.add_argument('--model', type=str, default='TimesNet', help='模型名称')
parser.add_argument('--seq_len', type=int, default=96, help='输入序列长度')
parser.add_argument('--pred_len', type=int, default=96, help='预测序列长度')

# 训练参数
parser.add_argument('--train_epochs', type=int, default=10, help='训练轮数')
parser.add_argument('--batch_size', type=int, default=32, help='批次大小')
parser.add_argument('--learning_rate', type=float, default=0.0001, help='学习率')

训练配置源码：run.py

3.3 训练流程解析

TSLib的训练流程主要在exp目录下的文件中实现，以长期预测任务为例，核心代码在exp/exp_long_term_forecasting.py中：

def train(self, setting):
    # 数据准备
    train_data, train_loader = self._get_data(flag='train')
    vali_data, vali_loader = self._get_data(flag='val')
    
    # 模型初始化
    model_optim = self._select_optimizer()
    criterion = self._select_criterion()
    
    # 训练循环
    for epoch in range(self.args.train_epochs):
        self.model.train()
        for i, (batch_x, batch_y, batch_x_mark, batch_y_mark) in enumerate(train_loader):
            model_optim.zero_grad()
            batch_x = batch_x.float().to(self.device)
            batch_y = batch_y.float().to(self.device)
            
            # 前向传播
            outputs = self.model(batch_x, batch_x_mark, dec_inp, batch_y_mark)
            
            # 计算损失
            loss = criterion(outputs, batch_y)
            
            # 反向传播
            loss.backward()
            model_optim.step()

训练逻辑源码：exp/exp_long_term_forecasting.py

4. 模型架构解析

4.1 核心模型组件

TSLib包含多种先进的时间序列模型，如TimesNet、Autoformer、Informer等。以TimesNet为例，其核心组件是TimesBlock，通过FFT提取周期特征并使用2D卷积捕获时间依赖关系：

class TimesBlock(nn.Module):
    def __init__(self, configs):
        super(TimesBlock, self).__init__()
        self.seq_len = configs.seq_len
        self.pred_len = configs.pred_len
        self.k = configs.top_k
        
        # 卷积块
        self.conv = nn.Sequential(
            Inception_Block_V1(configs.d_model, configs.d_ff, num_kernels=configs.num_kernels),
            nn.GELU(),
            Inception_Block_V1(configs.d_ff, configs.d_model, num_kernels=configs.num_kernels)
        )
    
    def forward(self, x):
        # FFT获取周期特征
        period_list, period_weight = FFT_for_Period(x, self.k)
        
        # 周期特征处理与卷积
        for i in range(self.k):
            period = period_list[i]
            # 填充与重塑
            out = out.reshape(B, length // period, period, N).permute(0, 3, 1, 2).contiguous()
            # 2D卷积
            out = self.conv(out)
            # 重塑回原形状
            out = out.permute(0, 2, 3, 1).reshape(B, -1, N)
            res.append(out[:, :(self.seq_len + self.pred_len), :])
        
        # 加权聚合
        res = torch.sum(res * period_weight, -1)
        return res + x  # 残差连接

TimesNet模型源码：models/TimesNet.py

4.2 支持的模型列表

TSLib支持多种先进的时间序列模型，主要模型如下表所示：

模型名称	任务类型	特点
TimesNet	全任务	基于2D卷积捕获时间序列周期特征
Autoformer	预测、填补	基于自相关机制的分解Transformer
Informer	预测	高效Transformer，适用于长序列
DLinear	预测	简单有效的线性模型，速度快
Mamba	全任务	基于状态空间模型的高效序列模型

模型注册源码：exp/exp_basic.py

5. 模型评估与部署

5.1 模型评估指标

TSLib提供了多种评估指标，在utils/metrics.py中实现，包括MSE、MAE、RMSE等：

def MSE(pred, true):
    return torch.mean((pred - true) ** 2)

def MAE(pred, true):
    return torch.mean(torch.abs(pred - true))

def RMSE(pred, true):
    return torch.sqrt(torch.mean((pred - true) ** 2))

评估指标源码：utils/metrics.py

5.2 模型保存与加载

训练完成后，模型会保存在checkpoints目录下，可以通过以下代码加载模型：

def load_model(self, path):
    model_dict = torch.load(path)
    self.model.load_state_dict(model_dict)
    return self.model

5.3 部署流程

导出模型权重
编写推理脚本
集成到生产环境

推理示例代码：

import torch
from exp.exp_long_term_forecasting import Exp_Long_Term_Forecast
import argparse

# 加载模型配置
parser = argparse.ArgumentParser(description='TSForecast')
# 添加必要的参数...
args = parser.parse_args()

# 初始化模型
exp = Exp_Long_Term_Forecast(args)
model = exp.model

# 加载权重
model.load_state_dict(torch.load('checkpoints/your_model_path.pth'))

# 推理
def predict(data):
    model.eval()
    with torch.no_grad():
        pred = model(data)
    return pred

# 示例数据
data = torch.randn(1, 96, 7)  # (batch_size, seq_len, features)
result = predict(data)
print(result.shape)  # (1, 96, 7)

6. 自定义模型开发

6.1 添加新模型步骤

在models目录下创建新模型文件，如NewModel.py
实现模型类，继承nn.Module
在exp/exp_basic.py的model_dict中注册模型
创建对应的训练脚本，放在scripts目录下

详细教程：tutorial/TimesNet_tutorial.ipynb

6.2 模型开发示例

以添加一个简单的LSTM模型为例：

# models/LSTM.py
import torch
import torch.nn as nn

class LSTM(nn.Module):
    def __init__(self, configs):
        super(LSTM, self).__init__()
        self.seq_len = configs.seq_len
        self.pred_len = configs.pred_len
        self.input_size = configs.enc_in
        self.hidden_size = configs.d_model
        
        self.lstm = nn.LSTM(input_size=self.input_size, hidden_size=self.hidden_size, batch_first=True)
        self.fc = nn.Linear(self.hidden_size, configs.c_out)
    
    def forward(self, x):
        # x: [B, T, D]
        out, _ = self.lstm(x)
        out = self.fc(out[:, -self.pred_len:, :])
        return out

然后在exp/exp_basic.py中注册模型：

self.model_dict = {
    # ...现有模型
    'LSTM': LSTM,
}

7. 高级功能与扩展

7.1 数据增强

TSLib支持多种时间序列数据增强方法，在utils/augmentation.py中实现，包括抖动、缩放、排列等：

def jitter(x, sigma=0.05):
    # 抖动增强
    return x + torch.normal(0, sigma, size=x.shape).to(x.device)

def scaling(x, sigma=0.1):
    # 缩放增强
    factor = torch.normal(1, sigma, size=(x.shape[0], x.shape[2])).to(x.device)
    return x * factor.unsqueeze(1)

数据增强源码：utils/augmentation.py

7.2 特征工程

utils/timefeatures.py提供了时间特征编码功能，支持多种时间频率：

def time_features(dates, freq='h'):
    # 提取时间特征
    dates['month'] = dates.date.apply(lambda row: row.month, 1)
    dates['day'] = dates.date.apply(lambda row: row.day, 1)
    dates['hour'] = dates.date.apply(lambda row: row.hour, 1)
    # ...其他特征
    return dates

时间特征源码：utils/timefeatures.py

8. 总结与展望

Time-Series-Library提供了一个统一、高效的时间序列模型开发和评估框架，支持多种先进模型和任务类型。通过本文的介绍，你已经掌握了从环境搭建到模型部署的完整流程。

未来，TSLib将继续集成更多先进模型，优化性能，并扩展到更多时间序列应用场景。欢迎通过CONTRIBUTING.md参与项目贡献。

若有任何问题，可通过项目Issues进行反馈。

本文档基于Time-Series-Library最新版本编写，建议定期查看项目更新以获取最新功能。

【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

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考