开源项目

说明

读完代码解析篇，我们针对开源项目中的模型预测方法做一下介绍。作者在Github上给出了模型预测方法以及Q、K图的做法，这里提供下载链接首先，在不更改任何参数的情况下跑完代码，会在项目文件夹中生成两个子文件夹checkpoints文件夹中包含训练完成的模型，后缀名为.pth，该模型文件包含完整的模型架构与各层权重，可以通过torch.load函数加载模型results文件夹中包含metrics.npy、pred.npy、true.npy三个文件，pred.npy表示模型预测值，true.npy表示序列真实值我们可以先将pred.npy与true.npy文件作图进行对比，观察模型效果

setting = 'informer_power data_ftMS_sl96_ll48_pl24_dm512_nh8_el2_dl1_df2048_atprob_fc5_ebtimeF_dtTrue_mxTrue_exp_0'pred = np.load('./results/'+setting+'/pred.npy')true = np.load('./results/'+setting+'/true.npy')print(pred.shape)print(true.shape)import matplotlib.pyplot as pltplt.figure()plt.plot(true[0,:,-1], label='GroundTruth')plt.plot(pred[0,:,-1], label='Prediction')plt.legend()plt.show()

输出：

如果想要得到模型对后面时间序列的预测值，有2种方式： 第1种：在pycharm模型训练之前将参数'--do_predict'由'store_true'变为'store_false'，这样在代码运行完以后results文件夹中会多出一个文件real_prediction.npy，该文件中即是模型预测的序列值。第2种：在模型训练完以后（在jupyter notebook）中使用exp.predict(setting, True)得到预测值
输出：

在Kaggle上使用

在Kaggle上我们可以使用免费的GPU来训练模型，达到加速效果，这里把作者的代码解析一遍。

下载项目文件

!git clone https://github.com/zhouhaoyi/Informer2020.git!git clone https://github.com/zhouhaoyi/ETDataset.git!ls

导入包

from utils.tools import dotdictimport matplotlib.pyplot as pltfrom exp.exp_informer import Exp_Informerimport torch

参数传导

这个地方与在pycharm中不一样，请注意！

args = dotdict()args.model = 'informer' # model of experiment, options: [informer, informerstack, informerlight(TBD)]args.data = 'ETTh1' # dataargs.root_path = './ETDataset/ETT-small/' # root path of data fileargs.data_path = 'ETTh1.csv' # data fileargs.features = 'M' # forecasting task, options:[M, S, MS]; M:multivariate predict multivariate, S:univariate predict univariate, MS:multivariate predict univariateargs.target = 'OT' # target feature in S or MS taskargs.freq = 'h' # freq for time features encoding, options:[s:secondly, t:minutely, h:hourly, d:daily, b:business days, w:weekly, m:monthly], you can also use more detailed freq like 15min or 3hargs.checkpoints = './informer_checkpoints' # location of model checkpointsargs.seq_len = 96 # input sequence length of Informer encoderargs.label_len = 48 # start token length of Informer decoderargs.pred_len = 24 # prediction sequence length# Informer decoder input: concat[start token series(label_len), zero padding series(pred_len)]args.enc_in = 7 # encoder input sizeargs.dec_in = 7 # decoder input sizeargs.c_out = 7 # output sizeargs.factor = 5 # probsparse attn factorargs.d_model = 512 # dimension of modelargs.n_heads = 8 # num of headsargs.e_layers = 2 # num of encoder layersargs.d_layers = 1 # num of decoder layersargs.d_ff = 2048 # dimension of fcn in modelargs.dropout = 0.05 # dropoutargs.attn = 'prob' # attention used in encoder, options:[prob, full]args.embed = 'timeF' # time features encoding, options:[timeF, fixed, learned]args.activation = 'gelu' # activationargs.distil = True # whether to use distilling in encoderargs.output_attention = False # whether to output attention in ecoderargs.mix = Trueargs.padding = 0args.freq = 'h'args.batch_size = 32 args.learning_rate = 0.0001args.loss = 'mse'args.lradj = 'type1'args.use_amp = False # whether to use automatic mixed precision trainingargs.num_workers = 0args.itr = 1args.train_epochs = 6args.patience = 3args.des = 'exp'args.use_gpu = True if torch.cuda.is_available() else Falseargs.gpu = 0args.use_multi_gpu = Falseargs.devices = '0,1,2,3'

检查GPU

args.use_gpu = True if torch.cuda.is_available() and args.use_gpu else Falseif args.use_gpu and args.use_multi_gpu:    args.devices = args.devices.replace(' ','')    device_ids = args.devices.split(',')    args.device_ids = [int(id_) for id_ in device_ids]    args.gpu = args.device_ids[0]

定义数据加载

# Set augments by using data namedata_parser = {    'ETTh1':{'data':'ETTh1.csv','T':'OT','M':[7,7,7],'S':[1,1,1],'MS':[7,7,1]},    'ETTh2':{'data':'ETTh2.csv','T':'OT','M':[7,7,7],'S':[1,1,1],'MS':[7,7,1]},    'ETTm1':{'data':'ETTm1.csv','T':'OT','M':[7,7,7],'S':[1,1,1],'MS':[7,7,1]},    'ETTm2':{'data':'ETTm2.csv','T':'OT','M':[7,7,7],'S':[1,1,1],'MS':[7,7,1]},}if args.data in data_parser.keys():    data_info = data_parser[args.data]    args.data_path = data_info['data']    args.target = data_info['T']    args.enc_in, args.dec_in, args.c_out = data_info[args.features]

训练模型

args.detail_freq = args.freqargs.freq = args.freq[-1:]Exp = Exp_Informerfor ii in range(args.itr):    # setting record of experiments    setting = '{}_{}_ft{}_sl{}_ll{}_pl{}_dm{}_nh{}_el{}_dl{}_df{}_at{}_fc{}_eb{}_dt{}_mx{}_{}_{}'.format(args.model, args.data, args.features,                 args.seq_len, args.label_len, args.pred_len,                args.d_model, args.n_heads, args.e_layers, args.d_layers, args.d_ff, args.attn, args.factor, args.embed, args.distil, args.mix, args.des, ii)    # set experiments    exp = Exp(args)        # train    print('>>>>>>>start training : {}>>>>>>>>>>>>>>>>>>>>>>>>>>'.format(setting))    exp.train(setting)        # test    print('>>>>>>>testing : {}<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<'.format(setting))    exp.test(setting)    torch.cuda.empty_cache()

到这里模型训练完毕

预测

运行完会在results文件夹中生成real_prediction.npy序列预测数据

import ossetting = 'informer_ETTh1_ftM_sl96_ll48_pl24_dm512_nh8_el2_dl1_df2048_atprob_fc5_ebtimeF_dtTrue_mxTrue_exp_0'exp = Exp(args)exp.predict(setting, True)prediction = np.load('./results/'+setting+'/real_prediction.npy')plt.figure()plt.plot(prediction[0,:,-1], label='Prediction')plt.legend()plt.show()

自定义项目

数据处理

首先将数据集放入项目data文件夹中，然后修改'--data'、'--root_path'、'--data_path'、'--data_path'参数。比如在这里，我使用的是power data.csv数据集（下载链接），那么我的参数应该修改成这样：

parser.add_argument('--data', type=str, default='power data')parser.add_argument('--root_path', type=str, default='./data/')parser.add_argument('--data_path', type=str, default='power data.csv')

然后修改预测类型，这里我使用多变量预测单变量，所以--features参数选择MS；预测的变量名称为总有功功率，所以修改'--target'参数；时间采样为15分钟，所以将'--freq'参数改为t即：

parser.add_argument('--features', type=str, default='MS')parser.add_argument('--target', type=str, default='总有功功率')parser.add_argument('--freq', type=str, default='t')

我想序列长度为192（2天），有标签预测序列长度为96（1天），无标签预测序列长度为48（半天），修改参数'--seq_len'、'--label_len'、'--pred_len'为：

parser.add_argument('--seq_len', type=int, default=192)parser.add_argument('--label_len', type=int, default=96)parser.add_argument('--pred_len', type=int, default=48)

接下来跳到数据处理方式data_parser，参照项目原有处理方式进行填写：

data_parser = {'power data':{'data':'power data.csv','T':'总有功功率','M':[5,5,5],'S':[1,1,1],'MS':[5,5,1]},}

找到exp_informer.py文件，_get_data类中data_dict参数，使用Dataset_Custom对数据进行处理，即：

data_dict = {'power data':Dataset_Custom,}

到这里数据处理修改结束

模型参数

这里我希望模型运行结束后生成预测序列文件，所以我将'--do_predict'参数修改为'store_false'，即：

parser.add_argument('--do_predict', action='store_false')

其他参数，比如学习率等等，大家可以根据任务要求自行修改，这里我就不再赘述了。

在Kaggle上使用

将项目放在Kaggle上使用GPU加速运算，这里我将基于此数据的Kaggle项目分享给大家，大家可以参照我的项目搭建自己的模型。