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。
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：
- Git：下载代码 → https://git-scm.com/
- Anaconda：管理Python环境，避免冲突 → https://www.anaconda.com/
- 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
bash
# 下载代码
git clone https://github.com/thuml/Time-Series-Library.git
# 进入项目文件夹
cd Time-Series-Library2. 创建专属Python环境（避坑核心）
bash
# 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 tslib3. 安装依赖（分GPU/CPU，直接复制对应版本）
① 安装PyTorch
- 有NVIDIA GPU（CUDA12.1）：
bash
pip install torch==2.5.1 --index-url https://download.pytorch.org/whl/cu121- 无GPU（CPU版）：
bash
pip install torch==2.5.1② 安装剩余依赖
bash
pip install -r requirements.txt③ （可选）Mamba模型（仅Linux需要，Windows直接跳过）
bash
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：
- 下载数据
- 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
- 正确路径：
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
bash
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 22. 短时序预测
bash
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 23. 缺失值填补
bash
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 0.0014. 异常检测
bash
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 25. 时序分类
bash
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：
bash
# 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.shWindows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）
- 环境未激活 ：每次使用前必须跑
conda activate tslib - 数据找不到 ：严格放在
./dataset目录下，别放错层级 - GPU报错：CUDA不兼容，直接换CPU版PyTorch
- Windows跑脚本失败：用Git Bash，别用系统CMD
- 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：
--model：换模型（TimesNet/iTransformer/DLinear）--task_name：换任务（long_term_forecast/imputation/anomaly_detection）--data_path：换数据集（ETTh1.csv/ETTh2.csv/ETTm1.csv）
示例：长预测换iTransformer模型
bash
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。