「Python 时间序列预测」从统计学、机器学习单变量单步预测模型到循环神经网络与时空图神经网络

👇扫码关注Python深度学习&图神经网络&物理信息神经网络专项学习群👇

👇免费加群，每周都有【Python深度学习】免费公开课程👇

微信（ILoveHF2016）	QQ（1061241906）

经过一段时间的准备，并根据本公众号关于时间序列预测问题的相关总结，我们开发了专门用于处理时间序列预测问题的自动化平台--TSNexus (Python) V1.0.0，支持统计学、机器学习以及深度学习(RNN\LSTM\GRU\Transformer\GNN等)等多种模型的训练、推理和评估，提供统一的接口和配置管理。

如果你正在学习时间序列预测相关的内容，大概都会经历一个阶段：从刚开始的 ARIMA、SVR、随机森林，后来开始写 RNN、LSTM，再后来接触 Transformer、TFT，直到有一天，你发现自己在复现 MTGNN、StemGNN 这类时空图神经网络。模型越来越复杂，但有一个问题一直没变——每多一个模型，就要重写一套数据处理、训练流程和评估逻辑。

这个项目，其实就是从这个痛点出发的。我想做的不是“又一个模型 demo”，而是一个统一的时间序列预测实验框架：不管你用的是统计模型、传统机器学习、循环神经网络，还是时空图神经网络，都能在同一个项目里，用同一种方式跑起来、对比起来、复现起来。

命令行驱动 + 自动化的时间序列预测框架

整个项目从一开始就是围绕实验流程来设计的。你只需要在命令行里告诉它三件事：数据在哪、用什么模型、用哪份配置。

例如，如何进行单个模型的测试：

# 训练 ARIMA 模型
python -m tsf.cli run --data data/TestData_00.pkl --model arima --config configs/model/arima.yaml
# 训练 SVR 模型
python -m tsf.cli run --data data/TestData_00.pkl --model svr --config configs/model/svr.yaml
# 训练随机森林模型
python -m tsf.cli run --data data/TestData_00.pkl --model rf --config configs/model/rf.yaml
# 训练 MTGNN 模型
python -m tsf.cli run --data data/TestData_00.pkl --model mtgnn --config configs/model/mtgnn.yaml
# 训练 StemGNN 模型
python -m tsf.cli run --data data/TestData_00.pkl --model stemgnn --config configs/model/stemgnn.yaml

剩下的事情——数据读取、格式判断、异常值处理、缺失值填充、特征构建、窗口切分、归一化、训练、预测、评估、结果保存——全部由框架自动完成。

数据不需要“规规矩矩”，框架会先替你“看懂它”

时间序列项目里最烦的一件事，其实不是模型，而是数据。

• CSV、Excel、Pickle、H5、NPZ，各种格式混在一起；
• 有的有时间列，有的只有数值；
• 有的是单变量，有的是多变量，有的甚至已经是时空结构数据。

在这个项目里，数据不会直接被送进模型，而是先经过一整套自动检查与分析流程：

• 它会判断这是单变量还是多变量；
• 会尝试识别时间索引；
• 会检查异常值和缺失值；
• 也会决定哪些模型“理论上就不该用在这份数据上”。

所有模型，都被包装成同一种“行为模式”

在这个框架里，ARIMA、SVR、随机森林、LSTM、GRU、MTGNN、StemGNN，看起来是完全不同的东西，但在系统内部，它们都遵循同一套逻辑：

给我数据 → 训练 → 预测 → 评估 → 输出结果

你不用关心某个模型内部是 statsmodels、scikit-learn 还是 PyTorch，更不用为外部源码单独写一套训练脚本。

尤其是 MTGNN 和 StemGNN 这种复杂模型，项目内通过 Adapter / Wrapper 的方式，把它们接入到统一框架里：

• 输入输出维度由框架负责转换
• 路径和环境由框架自动适配
• 最终预测结果仍然回到统一的评估与保存流程中

这样做的好处只有一个：这个项目以后还可以不断接新的模型，而不会越写越乱。

这是一个“会持续更新”的项目

目前，这个框架已经完整支持了：

• 统计模型（ARIMA）
• 传统机器学习（SVR、随机森林）
• 循环神经网络（RNN、LSTM、GRU）
• 时空图神经网络（MTGNN、StemGNN）

接下来，我会在这个框架里持续加入新的模型类型：

• Transformer 系列时间序列模型
• TFT 等更复杂的多变量预测模型
• 更系统的自动化对比实验与评估工具

同时，也会把这个项目作为一个教学与科研双用的工程案例，逐步拆解其中的设计思路、代码结构和工程取舍。

后续更新

这个项目目前还处在初步测试阶段，我会持续更新（模型会继续补齐 Transformer、TFT 的更完整支持，数据解析和图模型适配也会不断增强）。非常欢迎大家拿自己手头不同格式、不同结构的数据来“折腾”它：你越是用一些奇怪的文件、特殊的时间列、或者更复杂的多变量结构去跑（但是要遵循最基础的输入数据要求），越容易把隐藏的边界情况和 bug 暴露出来。

最后，如果你担心“框架是有了，但不知道怎么用、怎么调参、怎么做批量对比”，这块我也会配套做一套完整的视频课：从虚拟环境创建与深度学习环境配置部署开始，到数据读取与自动识别规则讲清楚；再到每一个模型的调用方式、关键参数含义、调参策略与常见坑；最后把批量化测试（sweep/commands 实验清单）怎么写、怎么复现实验、怎么汇总对比指标这一整条链路都走一遍。目标不是让你看懂代码，而是让你能直接把它当成自己的实验底座，用最少的学习成本跑出一套干净的对比结果。

👇扫码关注Python深度学习&图神经网络&物理信息神经网络专项学习群👇

👇免费加群，每周都有【Python深度学习】免费公开课程👇

微信（ILoveHF2016）	QQ（1061241906）