Time-Series-Library

从天气预报到工厂质检：时间序列智能分析

你有没有想过，工厂里一台设备什么时候会出故障、超市里下周的营业额大概是多少、甚至你每天走路的心率数据有什么规律？这些看似毫无关联的问题，背后其实都指向同一个核心：时间序列分析——一种用数学模型从历史数据中发现规律、预测未来的技术。

时间序列库（Time Series Library，简称 TSLib） 就是这样一个工具：它将学术界最前沿的深度学习时间序列模型打包成一套统一、开放的基准测试平台，让研究者和工程师不用从零造轮子，直接站在「巨人肩膀」上做实验。

起源：从一篇顶会论文到一个开源生态

TSLib 的故事要从 2023 年说起。清华大学团队在发布深度时间序列预测模型 Autoformer 后，决定将代码整理成一个通用代码库，方便更多研究者对比和迭代新模型。这就是 TSLib 的雏形——最初只是一个实验框架，后来逐步扩展为覆盖五大主流任务的开源工具箱。

三年时间，该项目已积累超过 1.2 万颗 GitHub Stars，吸引了全球数百位研究者贡献代码。仓库目前托管 43 个深度学习模型，涵盖从经典 Transformer 到最新 Mamba 状态空间模型的各种架构。

五大任务全覆盖：从预测到异常检测

TSLib 最核心的价值在于它提供了一套统一的实验框架，让不同模型可以在完全相同的数据集和评测协议下「同台竞技」。具体覆盖以下五大任务：

长期预测：预测未来 96~720 个时间步的走势，适用于电力负荷预测、库存管理等场景。代表作包括 TimesNet（时序通用骨干）、iTransformer（变量独立建模）、PatchTST（通道独立 Patch 方案）和 TimeMixer（多尺度时序分解）。2024 年新加入的 TimeXer 更是一举拿下 Look-Back-96 任务榜首。

短期预测：预测未来数个时间步的精准值，适合高频监控场景。TimesNet 在该任务上表现最佳。

缺失值插补：自动填补传感器掉线或采集失败的数据空洞。TimesNet 同样位居榜首。

异常检测：自动识别设备运行中的异常波动，如温度骤升、振动频率突变。TSLib 提供了多个数据集的标注异常区间，可以量化模型的检出率。

时间序列分类：将整条序列归类到指定类别，如 ECG 心电图分类、传感器活动识别等。

技术架构：模块化设计，科研与工程双赢

TSLib 的代码结构非常清晰，整体采用数据-模型-实验三层分离的设计：

• data_provider/：统一的数据加载与预处理，支持 ETT 电力数据集、M4 竞赛数据、Weather 气象数据等主流基准。
• models/：43 个模型的 PyTorch 实现，每个模型约 300~800 行代码，结构规整。
• exp/：统一的训练/验证/测试流程，通过 run.py 统一入口，参数通过命令行或脚本传入。
• layers/：可复用的 Transformer/Mamba/卷积等注意力层。
• utils/：度量指标（MAE/MSE/MSEl等）、学习率调度、可视化等工具函数。

Dockerfile 基于 PyTorch 2.5.1 + CUDA 12.1 镜像，内置多阶段构建和多款大模型依赖（Chronos、Moirai、TimesFM 等）。docker-compose 已配置 NVIDIA GPU 直通和 8GB 共享内存，一行命令即可拉起完整的实验环境。

最新动向：大模型时代的新基准

2025 年底，TSLib 新增了零样本预测（Zero-shot Forecasting） 功能，集成了 Chronos、TimesFM 等大型时间序列模型（LTSM）。这些模型在大规模预训练后，可以直接迁移到新的时序数据集，无需额外训练。2025 年 10 月，团队还提出了「精度定律（Accuracy Law）」，指出部分标准基准数据集已达到性能饱和，继续在其上刷榜的意义有限，为学术界敲响了警钟。

局限与建议

需要注意的是，TSLib 主要是科研基准工具，而非生产级部署框架。它没有提供 Web 界面或 REST API，需要通过 Python 脚本调用。对于想快速体验模型效果的用户，直接用 Docker 容器启动后跑预置脚本是最省心的方式。

此外，2026 年 4 月官方公告指出，由于维护带宽有限，项目将不再积极增加新功能，建议研究者关注其后续项目如 OpenLTM（预训练-微调范式的大型时间序列模型）。

行业意义：时间序列 AI 的「ImageNet 时刻」

时间序列分析是工业互联网、医疗健康、金融量化等领域的核心技术。TSLib 的出现，首次为这一领域提供了类似计算机视觉中 ImageNet 的统一基准，让不同模型的效果可以客观比较。随着大模型的加入，时间序列领域正在经历从「任务定制模型」到「通用预训练模型」的范式转变，TSLib 记录并推动着这一进程。