https://github.com/thuml/Time-Series-Library/
该仓库是标准化时序预测框架 ，模型接入遵循固定规范，核心只需要做4件事：写模型 → 注册模型 → 写配置 → 运行脚本。
一、前置准备
1. 克隆仓库+配置环境
bash
# 克隆官方仓库
git clone https://github.com/thuml/Time-Series-Library.git
cd Time-Series-Library
# 安装依赖（推荐conda环境）
pip install torch torchvision numpy pandas scikit-learn matplotlib tqdm2. 仓库核心结构（只需关注这4个目录）
Time-Series-Library/
├── models/ # ✅ 所有模型存放地（放你的新模型）
├── configs/ # ✅ 模型配置文件（超参、数据集、序列长度）
├── run.py # ✅ 主运行脚本（统一入口）
└── exp/ # 训练/测试逻辑（无需修改，框架自带）二、实操：添加自定义模型 MyMLP
我们实现一个最简单的MLP时序预测模型，严格遵循仓库的模型接口规范。
步骤1：编写新模型代码
在 models/ 目录下新建文件 my_mlp.py，写入以下代码：
python
import torch
import torch.nn as nn
# 🔥 核心：模型类名 = 后续运行时 --model 参数
class MyMLP(nn.Module):
"""
自定义时序预测MLP模型（适配Time-Series-Library接口）
接口强制要求：__init__ + forward 两个方法
输入输出维度：[Batch, Seq_Len, Channel] → [Batch, Pred_Len, Channel]
"""
def __init__(self, configs):
super(MyMLP, self).__init__()
# 从配置文件读取核心参数（框架自动传入）
self.seq_len = configs.seq_len # 输入序列长度
self.pred_len = configs.pred_len # 预测序列长度
self.channel = configs.enc_in # 特征维度
# 自定义MLP网络
self.flatten = nn.Flatten()
self.fc = nn.Sequential(
nn.Linear(self.seq_len * self.channel, 128),
nn.ReLU(),
nn.Linear(128, self.pred_len * self.channel)
)
def forward(self, x_enc, x_mark_enc=None, x_dec=None, x_mark_dec=None, mask=None):
"""
前向传播（严格匹配框架入参！多余参数保留即可）
x_enc: 输入时序数据 [Batch, seq_len, channel]
return: 预测结果 [Batch, pred_len, channel]
"""
# 1. 展平：[B, L, D] → [B, L*D]
x = self.flatten(x_enc)
# 2. MLP映射
x = self.fc(x)
# 3. 重塑为预测维度：[B, O*D] → [B, O, D]
pred = x.view(-1, self.pred_len, self.channel)
return pred✅ 接口规范 ：所有模型必须接收 configs 初始化，forward 入参必须兼容框架的传参（多余参数留空即可）。
步骤2：注册新模型（让框架识别你的模型）
打开 models/__init__.py，修改两处：
- 导入你的模型类
- 将模型加入
Models字典
修改后代码如下（只展示修改部分）：
python
# 1. 新增：导入自定义MyMLP模型
from .my_mlp import MyMLP
# 模型注册字典（框架通过这个字典找模型）
Models = {
'Autoformer': Autoformer,
'Crossformer': Crossformer,
'DLinear': DLinear,
# ... 官方原有模型 ...
# 2. 新增：注册你的模型
'MyMLP': MyMLP,
}✅ 关键 ：字典的键（MyMLP） = 运行时 --model 参数，必须和模型类名一致。
步骤3：创建模型配置文件
在 configs/ 目录下新建文件 MyMLP_ETTh1.json（适配ETTh1数据集，官方自带）：
json
{
"model": "MyMLP",
"data": "ETTh1",
"root_path": "./dataset/ETT/",
"data_path": "ETTh1.csv",
"seq_len": 96,
"pred_len": 96,
"enc_in": 7,
"batch_size": 32,
"learning_rate": 0.001,
"train_epochs": 10,
"patience": 3,
"embed": "timeF",
"freq": "h"
}✅ 参数说明：
seq_len：输入历史序列长度pred_len：预测序列长度enc_in：数据集特征数（ETTh1=7）- 其余参数直接复用官方模板即可
步骤4：运行训练脚本
回到项目根目录，执行一行命令启动训练：
bash
python run.py \
--model MyMLP \
--data ETTh1 \
--config ./configs/MyMLP_ETTh1.json命令参数解释
--model MyMLP：指定你注册的模型名--data ETTh1：指定数据集（官方自带，无需额外下载）--config：指定你的配置文件路径
三、验证运行成功
出现以下日志，说明新模型接入并运行成功：
>>>>>> Start training MyMLP on ETTh1...
Epoch: 1/10, Train Loss: 0.324, Val Loss: 0.287
Epoch: 2/10, Train Loss: 0.211, Val Loss: 0.203
...
>>>>>> Training finished
>>>>>> Test loss: 0.198训练完成后，模型权重、日志会自动保存在 results/ 目录下。
四、进阶：替换为你自己的模型
只需修改 models/my_mlp.py 中的模型结构 ，接口完全不用改：
python
# 示例：替换为CNN/Transformer/任意模型
class MyModel(nn.Module):
def __init__(self, configs):
super().__init__()
self.seq_len = configs.seq_len
self.pred_len = configs.pred_len
self.channel = configs.enc_in
# 在这里写你的模型网络
self.backbone = nn.Conv1d(...)
def forward(self, x_enc, x_mark_enc=None, x_dec=None, x_mark_dec=None, mask=None):
# 你的前向传播逻辑
pred = self.backbone(x_enc.transpose(1,2)).transpose(1,2)
return pred然后重新注册、运行即可。
五、常见报错解决
- Model not found ：检查
models/__init__.py注册是否正确，模型名大小写一致 - 维度不匹配 ：严格保证输出
[Batch, pred_len, channel] - 参数缺失 ：配置文件中必须包含
seq_len/pred_len/enc_in
总结
- 新模型放在
models/，遵循__init__ + forward接口 - 在
models/__init__.py注册模型 - 配置文件放在
configs/，指定模型名和超参 - 用
run.py一键启动训练
按照这个流程，你可以把任何时序模型无缝接入该框架并运行。