TSLib 小白零基础上手教程（一步一步跑通，零代码门槛）

https://github.com/thuml/Time-Series-Library这是清华THUML团队开源的时间序列深度学习工具箱，不用手写复杂模型，直接跑长短时预测、缺失值填补、异常检测、时序分类5大核心任务，内置TimesNet、iTransformer、Mamba等SOTA模型，小白跟着复制命令就能用。
在这里插入图片描述

一、前置准备（必做，3个基础工具）

先装3个软件，全程点下一步即可：

  1. Git：下载代码 → https://git-scm.com/
  2. Anaconda：管理Python环境，避免冲突 → https://www.anaconda.com/
  3. GPU可选：有NVIDIA显卡更快，无显卡用CPU也能跑（只是慢一点）

二、第一步：下载代码 + 搭建环境

打开电脑CMD（Windows） 或终端（Mac/Linux），逐行复制命令运行。

1. 克隆仓库到本地

# 下载代码
git clone https://github.com/thuml/Time-Series-Library.git
# 进入项目文件夹
cd Time-Series-Library

2. 创建专属Python环境（避坑核心）

# 创建环境（固定Python3.11，不兼容会报错）
conda create -n tslib python=3.11
# 激活环境（❗每次使用前必须先跑这行）
conda activate tslib

3. 安装依赖（分GPU/CPU，直接复制对应版本）

① 安装PyTorch
  • 有NVIDIA GPU（CUDA12.1）：
pip install torch==2.5.1 --index-url https://download.pytorch.org/whl/cu121
  • 无GPU（CPU版）：
pip install torch==2.5.1
② 安装剩余依赖
pip install -r requirements.txt
③ （可选）Mamba模型（仅Linux需要，Windows直接跳过）
pip install https://github.com/state-spaces/mamba/releases/download/v2.2.6.post3/mamba_ssm-2.2.6.post3+cu12torch2.5cxx11abiFALSE-cp311-cp311-linux_x86_64.whl

三、第二步：准备数据（放对位置=成功一半）

不用自己洗数据，仓库提供预处理好的数据集：

  1. 下载数据
    • 百度云：https://pan.baidu.com/s/18RofW1zFgT4nVm5X10Xcwg 提取码：tslib
    • 谷歌云：https://drive.google.com/drive/folders/185k5tb579sF3h40X7A4K1Yd8X4pZq7Ro
  2. 关键放置
    解压后，把所有数据文件夹直接放到项目根目录的 dataset 文件夹里
    • 正确路径：Time-Series-Library/dataset/ETT-small
    • 没有dataset文件夹，自己新建一个

四、第三步：小白一键测试（5大任务跑通）

激活环境后，逐行复制下面命令，每个任务只跑1轮，超快验证环境：

1. 长时序预测

python -u run.py --task_name long_term_forecast --is_training 1 --root_path ./dataset/ETT-small/ --data_path ETTh1.csv --model_id 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

2. 短时序预测

python -u run.py --task_name long_term_forecast --is_training 1 --root_path ./dataset/ETT-small/ --data_path ETTh1.csv --model_id test_short --model TimesNet --data ETTh1 --features M --seq_len 24 --label_len 12 --pred_len 24 --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 --num_workers 2

3. 缺失值填补

python -u run.py --task_name imputation --is_training 1 --root_path ./dataset/ETT-small/ --data_path ETTh1.csv --model_id test_imp --model TimesNet --data ETTh1 --features M --seq_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 3 --train_epochs 1 --num_workers 2 --label_len 0 --pred_len 0 --mask_rate 0.125 --learning_rate 0.001

4. 异常检测

python -u run.py --task_name anomaly_detection --is_training 1 --root_path ./dataset/PSM --model_id test_ad --model TimesNet --data PSM --features M --seq_len 100 --pred_len 0 --d_model 64 --d_ff 64 --e_layers 2 --enc_in 25 --c_out 25 --anomaly_ratio 1.0 --top_k 3 --train_epochs 1 --batch_size 128 --num_workers 2

5. 时序分类

python -u run.py --task_name classification --is_training 1 --root_path ./dataset/Heartbeat/ --model_id Heartbeat --model TimesNet --data UEA --e_layers 2 --d_layers 1 --factor 3 --d_model 64 --d_ff 128 --top_k 3 --train_epochs 1 --batch_size 16 --learning_rate 0.001 --num_workers 0

✅ 成功标志：终端输出loss/acc数值，最后显示Experiment done。

五、第四步：一键复现SOTA（用官方脚本）

不想敲长命令？直接运行仓库自带脚本，复现论文效果：

# 长时序预测（TimesNet+ETTh1）
bash ./scripts/long_term_forecast/ETT_script/TimesNet_ETTh1.sh

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

Windows用户：用Git Bash运行，把bash替换为sh即可。

六、小白必避坑（90%的人都踩过）

  1. 环境未激活：每次使用前必须跑conda activate tslib
  2. 数据找不到：严格放在./dataset目录下，别放错层级
  3. GPU报错：CUDA不兼容，直接换CPU版PyTorch
  4. Windows跑脚本失败：用Git Bash，别用系统CMD
  5. Mamba安装失败：Windows跳过，不影响基础任务

七、简单自定义（不改代码，只换3个参数）

不用懂深度学习，改命令里3个参数就能换模型/任务：

  1. --model：换模型（TimesNet/iTransformer/DLinear）
  2. --task_name：换任务（long_term_forecast/imputation/anomaly_detection）
  3. --data_path：换数据集（ETTh1.csv/ETTh2.csv/ETTm1.csv）

示例：长预测换iTransformer模型

python -u run.py --task_name long_term_forecast --is_training 1 --root_path ./dataset/ETT-small/ --data_path ETTh1.csv --model_id test_it --model iTransformer --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

八、总结

TSLib小白上手核心流程：克隆代码→装环境→放数据→一键运行，不用懂复杂原理，就能直接用时间序列SOTA模型做任务。

# 开源 # 深度学习 # 人工智能
Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

cover

人类算力的物理边界

avatar AtomGit开源社区

计及自适应预测修正的微电网 MPC 优化调度方法研究（Python代码实现）

针对高比例可再生能源接入微电网后面临的源荷功率波动显著、预测误差难以抑制、储能长期约束难以闭环等问题，本文提出一种融合自适应预测修正与模型预测控制（MPC）的微电网优化调度方法。该方法构建自适应预测修正环节，基于源荷实测与预测的误差反馈动态调整预测结果，降低不确定性对调度的影响；以滚动优化为核心，在有限时域内实现运行成本最优与多设备约束协同满足；增设全局储能荷电状态（SOC）校正环节，确保调度周期

avatar AtomGit开源社区

【SCI复现】电力系统储能调峰、调频模型研究（Matlab代码实现）

文献来源：摘要-我们考虑通过联合优化框架同时使用电池存储系统进行调峰和频率调节，该框架捕获电池退化、操作约束以及客户负载和调节信号的不确定性。在此框架下，我们使用真实数据显示，用户的电费可降低12%。此外，我们证明，当电池用于两个单独的应用程序时，联合优化的节省通常大于最优节省的总和。提出了一种简单的阈值实时算法，实现了这种超线性增益。与之前专注于将电池存储系统用于单一应用的工作相比，我们的结果表

avatar AtomGit开源社区