企业官网建设流程全解析

TimesNet 时间序列预测实战：3 步跑通 + 4 个必须调的参数

【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

电网运维组要预测变压器未来 720 小时温度，线性模型已经接不住了。Time-Series-Library 里的 TimesNet 用 FFT 做周期检测，把一维时间序列重塑成二维矩阵，再交给 2D 卷积做多尺度特征提取，一条命令就能跑。本文带你 3 步从 clone 到出图，再讲清楚 4 个直接决定精度的参数。

跑通第一个时间序列预测：从 clone 到出图

先克隆仓库并安装依赖（地址在文末），然后对 ETT 数据集执行：

python -u run.py \ --task_name long_term_forecast \ --is_training 1 \ --root_path ./dataset/ETT-small/ \ --data_path ETTh1.csv \ --model TimesNet \ --data ETTh1 \ --seq_len 96 --pred_len 96 \ --e_layers 2 --top_k 5 \ --d_model 16 --d_ff 32 --itr 1

参数速览：

• --task_name long_term_forecast：长期预测任务，同样支持插补、异常检测、分类
• --root_path+--data_path：数据目录与文件名，ETTh1.csv 是 15 分钟粒度的电力数据
• --seq_len 96：输入最近 96 个时间步
• --pred_len 96：向未来预测 96 步
• --e_layers 2：TimesBlock 堆叠数，即 2D 卷积深度
• --top_k 5：只关注最强的前 5 个周期成分
• --d_model / --d_ff：隐层宽度，小数据集用 16/32 就够

覆盖 ETT、ECL、Traffic 等多套真实数据

跑完控制台会打印 MAE、MSE 等评估指标，拿自己的曲线图对照即可判断效果。

读懂 2D 卷积与周期检测的实现

实现全在 models/TimesNet.py，核心两步。

第一步周期检测：FFT_for_Period对序列做 rfft，按幅值取 top_k 个最强频率分量，换算成周期 T/k。不用人工标注，模型自己找数据的节奏。

FFT 找周期，多尺度特征分解

第二步 2D 卷积：把一维序列按检测到的周期切成（周期数 × 周期长度）的二维矩阵，相当于把时间线按周期"折行"成一张表。随后两级 Inception 2D 卷积（多核宽度）跟进：核沿周期方向看周期内模式，沿周期数方向看周期间漂移。各周期结果按幅值权重加权和，再加残差连接。

1D 时间序列转 2D，周期内/周期间联合建模

为什么要折成二维？一维卷积只能看到时间邻域，第 1 个周期的模式与第 10 个周期的模式是割裂的。折成二维后，"周期内位置"和"周期序号"成为两个独立维度，同一个卷积核天然跨周期复用模式——这是多周期时间序列建模的关键。

时间序列预测 4 个参数调参指南

基线跑通后，精度主要看这 4 个：

• --top_k（周期成分数）：推荐 5。频谱峰值尖锐可降到 3–4；叠加周期多（如日+周）可升到 7
• --seq_len（输入长度）：推荐 96 起。要覆盖主周期的整数倍，周期长就扩到 336/720
• --pred_len（预测步长）：96–720。业务定多少就填多少，步长越长越依赖足够长的 seq_len
• --e_layers（块数）：推荐 2。出现过拟合降到 1；小数据不建议超过 2

两组常见场景配置，可直接替换上面命令：

• 短期（M4 月度单变量）：seq_len 96、pred_len 28、top_k 3、e_layers 1、d_model 32
• 长期（ETTh1 多变量）：seq_len 96、pred_len 720、top_k 5、e_layers 2、d_model 16

720 步预测值与真实值对照

它能做到什么，做不到什么

• 多周期能力强：FFT 自动检测周期，省去人工标周期
• 多尺度提取：多核 2D 卷积同时捕捉周期内波动与周期间趋势
• 自带实例归一化，对非平稳数据相对稳

边界：

• FFT 默认序列近似平稳，周期漂移或结构性突变的序列精度会掉
• 每个块要循环 top_k 个周期各跑一遍 2D 卷积，序列很长且 top_k 调大时，训练时长明显增加

按场景选下一步

• 想读核心实现：看 models/TimesNet.py，重点在FFT_for_Period与TimesBlock，200 行内能读完
• 想换数据集：抄 scripts/long_term_forecast/ETT_script/TimesNet_ETTh1.sh 的完整配置，改root_path和data_path即可
• 想改卷积核配置：看 layers/Conv_Blocks.py 里的Inception_Block_V1

git clone https://gitcode.com/GitHub_Trending/ti/Time-Series-Library

先跑起来，再谈调优。

【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