时间序列(Time-Series)exp_long_term_forecasting.py代码解析

这篇具有很好参考价值的文章主要介绍了时间序列(Time-Series)exp_long_term_forecasting.py代码解析。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

from data_provider.data_factory import data_provider
from exp.exp_basic import Exp_Basic
from utils.tools import EarlyStopping, adjust_learning_rate, visual
from utils.metrics import metric
import torch
import torch.nn as nn
from torch import optim
import os
import time
import warnings
import numpy as np

warnings.filterwarnings('ignore')

#长期预测类
class Exp_Long_Term_Forecast(Exp_Basic):
    #构造函数
    def __init__(self, args):
        super(Exp_Long_Term_Forecast, self).__init__(args)
    #创建模型
    def _build_model(self):
        model = self.model_dict[self.args.model].Model(self.args).float()
        #多gpu且gpu可用
        if self.args.use_multi_gpu and self.args.use_gpu:
            model = nn.DataParallel(model, device_ids=self.args.device_ids)
        return model
    #从data_provider函数获取数据集合和数据加载器,并提供标志(train,val,test)
    def _get_data(self, flag):
        data_set, data_loader = data_provider(self.args, flag)
        return data_set, data_loader
    #选择优化器,该函数使用adam优化器,从传入的参数self 添加self.args.learning_rate学习率
    def _select_optimizer(self):
        model_optim = optim.Adam(self.model.parameters(), lr=self.args.learning_rate)
        return model_optim
    #选择损失函数,MSELoss(均方误差损失)
    def _select_criterion(self):
        criterion = nn.MSELoss()
        return criterion
    #验证方法,通过计算模型验证的误差来评估模型性能,即向前传播时不根据学习率计算梯度
    def vali(self, vali_data, vali_loader, criterion):
        total_loss = []
        #设置评估模式
        self.model.eval()
        with torch.no_grad():
            for i, (batch_x, batch_y, batch_x_mark, batch_y_mark) in enumerate(vali_loader):
                #将转化为浮点型的数据加载到cpu或gpu
                batch_x = batch_x.float().to(self.device)
                batch_y = batch_y.float()
                #将转化为浮点型的数据加载到cpu或gpu
                batch_x_mark = batch_x_mark.float().to(self.device)
                batch_y_mark = batch_y_mark.float().to(self.device)

                # decoder input
                #输出一个形状与输入一致的全零张量,并转化为浮点型格式
                dec_inp = torch.zeros_like(batch_y[:, -self.args.pred_len:, :]).float()
                #在给定维度对输入的张量序列进行连续操作,并加载到cpu或者gpu
                dec_inp = torch.cat([batch_y[:, :self.args.label_len, :], dec_inp], dim=1).float().to(self.device)
                # encoder - decoder
                if self.args.use_amp:
                    with torch.cuda.amp.autocast():
                        if self.args.output_attention:
                            outputs = self.model(batch_x, batch_x_mark, dec_inp, batch_y_mark)[0]
                        else:
                            outputs = self.model(batch_x, batch_x_mark, dec_inp, batch_y_mark)
                else:
                    if self.args.output_attention:
                        outputs = self.model(batch_x, batch_x_mark, dec_inp, batch_y_mark)[0]
                    else:
                        outputs = self.model(batch_x, batch_x_mark, dec_inp, batch_y_mark)
                #根据配置文档参数self.args.features进行降维
                f_dim = -1 if self.args.features == 'MS' else 0
                outputs = outputs[:, -self.args.pred_len:, f_dim:]
                batch_y = batch_y[:, -self.args.pred_len:, f_dim:].to(self.device)
                #返回一个与当前 graph 分离的、不再需要梯度的新张量
                pred = outputs.detach().cpu()
                true = batch_y.detach().cpu()
                #通过预测值、真实值计算损失函数
                loss = criterion(pred, true)
                #将loss添加total_loss列表
                total_loss.append(loss)
        #计算total_loss列表均值       
        total_loss = np.average(total_loss)
        #将模型切换成训练模型
        self.model.train()
        return total_loss

    def train(self, setting):
        #获取数据
        train_data, train_loader = self._get_data(flag='train')
        vali_data, vali_loader = self._get_data(flag='val')
        test_data, test_loader = self._get_data(flag='test')
        #创建模型存储文件
        path = os.path.join(self.args.checkpoints, setting)
        if not os.path.exists(path):
            os.makedirs(path)
        #获取时间戳
        time_now = time.time()
        #训练步长
        train_steps = len(train_loader)
        #早起停止函数,避免过拟合 patience 容忍升高次数
        early_stopping = EarlyStopping(patience=self.args.patience, verbose=True)
        #选择优化器
        model_optim = self._select_optimizer()
        #选择损失函数,这里选择的是MSELoss(均方误差损失)
        criterion = self._select_criterion()

        if self.args.use_amp:
            #自动混合精度GradScaler实例化
            scaler = torch.cuda.amp.GradScaler()
        #根据训练次数循环
        for epoch in range(self.args.train_epochs):
            iter_count = 0
            train_loss = []
            #设置为训练模式
            self.model.train()
            #训练开始时间
            epoch_time = time.time()
            #从训练数据集中加载每个样本数据
            for i, (batch_x, batch_y, batch_x_mark, batch_y_mark) in enumerate(train_loader):
                iter_count += 1
                #模型参数梯度值选择为0
                model_optim.zero_grad()
                #将转化为浮点型的数据加载到cpu或gpu
                batch_x = batch_x.float().to(self.device)
                batch_y = batch_y.float().to(self.device)
                batch_x_mark = batch_x_mark.float().to(self.device)
                batch_y_mark = batch_y_mark.float().to(self.device)

                # decoder input
                #输出一个形状与输入一致的全零张量,并转化为浮点型格式
                dec_inp = torch.zeros_like(batch_y[:, -self.args.pred_len:, :]).float()
                #在给定维度对输入的张量序列进行连续操作,并加载到cpu或者gpu
                dec_inp = torch.cat([batch_y[:, :self.args.label_len, :], dec_inp], dim=1).float().to(self.device)

                # encoder - decoder
                if self.args.use_amp:
                    #自动切换精度
                    with torch.cuda.amp.autocast():
                        if self.args.output_attention:
                            outputs = self.model(batch_x, batch_x_mark, dec_inp, batch_y_mark)[0]
                        else:
                            outputs = self.model(batch_x, batch_x_mark, dec_inp, batch_y_mark)

                        f_dim = -1 if self.args.features == 'MS' else 0
                        outputs = outputs[:, -self.args.pred_len:, f_dim:]
                        batch_y = batch_y[:, -self.args.pred_len:, f_dim:].to(self.device)
                        #通过训练值、真实值计算损失函数
                        loss = criterion(outputs, batch_y)
                        #将loss里的高精度值添加在train_loss列表
                        train_loss.append(loss.item())
                else:
                    if self.args.output_attention:
                        outputs = self.model(batch_x, batch_x_mark, dec_inp, batch_y_mark)[0]
                    else:
                        outputs = self.model(batch_x, batch_x_mark, dec_inp, batch_y_mark)
                    #跟据元素设置确定f_dim为-1或者0,多元素进行降维操作
                    f_dim = -1 if self.args.features == 'MS' else 0
                    outputs = outputs[:, -self.args.pred_len:, f_dim:]
                    batch_y = batch_y[:, -self.args.pred_len:, f_dim:].to(self.device)
                    #通过训练值、真实值计算损失函数
                    loss = criterion(outputs, batch_y)
                    #将loss里的高精度值添加在train_loss列表
                    train_loss.append(loss.item())

                if (i + 1) % 100 == 0:
                    print("\titers: {0}, epoch: {1} | loss: {2:.7f}".format(i + 1, epoch + 1, loss.item()))
                    speed = (time.time() - time_now) / iter_count
                    left_time = speed * ((self.args.train_epochs - epoch) * train_steps - i)
                    print('\tspeed: {:.4f}s/iter; left time: {:.4f}s'.format(speed, left_time))
                    iter_count = 0
                    time_now = time.time()

                if self.args.use_amp:
                    scaler.scale(loss).backward()
                    scaler.step(model_optim)
                    scaler.update()
                else:
                    #计算当前梯度,反向传播
                    loss.backward()
                    model_optim.step()
            #训练所花费时间
            print("Epoch: {} cost time: {}".format(epoch + 1, time.time() - epoch_time))
            #计算total_loss列表均值   
            train_loss = np.average(train_loss)
            #验证方法,通过计算模型验证的误差来评估模型性能,即向前传播时不根据学习率计算梯度
            vali_loss = self.vali(vali_data, vali_loader, criterion)
            test_loss = self.vali(test_data, test_loader, criterion)

            print("Epoch: {0}, Steps: {1} | Train Loss: {2:.7f} Vali Loss: {3:.7f} Test Loss: {4:.7f}".format(
                epoch + 1, train_steps, train_loss, vali_loss, test_loss))
            early_stopping(vali_loss, self.model, path)
            if early_stopping.early_stop:
                print("Early stopping")
                break

            adjust_learning_rate(model_optim, epoch + 1, self.args)
        #加载训练模型
        best_model_path = path + '/' + 'checkpoint.pth'
        self.model.load_state_dict(torch.load(best_model_path))

        return self.model
    #定义测试函数,setting 路径,test标志是否加载模型,0表示不加载
    def test(self, setting, test=0):
        test_data, test_loader = self._get_data(flag='test')
        #若是test参数为真,打印loading model
        if test:
            print('loading model')
            self.model.load_state_dict(torch.load(os.path.join('./checkpoints/' + setting, 'checkpoint.pth')))
        #清空列表
        preds = []
        trues = []
        folder_path = './test_results/' + setting + '/'
        #检测是否已经创建文件路径,未存在路径则创建该文件
        if not os.path.exists(folder_path):
            os.makedirs(folder_path)
        #设置评估模型
        self.model.eval()
        #开启上下文管理器,关闭梯度计算,节省内存和计算资源
        with torch.no_grad():
            #迭代测试数据加载器,每次迭代添加数据标签
            for i, (batch_x, batch_y, batch_x_mark, batch_y_mark) in enumerate(test_loader):
                #将数据的数据类型转化为浮点型,加载到GPU或CPU
                batch_x = batch_x.float().to(self.device)
                batch_y = batch_y.float().to(self.device)
                #将数据的数据类型转化为浮点型,加载到GPU或CPU
                batch_x_mark = batch_x_mark.float().to(self.device)
                batch_y_mark = batch_y_mark.float().to(self.device)

                # decoder input
                #输出一个形状与输入一致的全零张量,并转化为浮点型格式
                dec_inp = torch.zeros_like(batch_y[:, -self.args.pred_len:, :]).float()
                dec_inp = torch.cat([batch_y[:, :self.args.label_len, :], dec_inp], dim=1).float().to(self.device)
                # encoder - decoder
                #如果启动了自动混合精度,则使用该上下文管理器提升计算速度和减少内存使用
                if self.args.use_amp:
                    with torch.cuda.amp.autocast():
                        #根据是否输出注意力权重
                        if self.args.output_attention:
                            outputs = self.model(batch_x, batch_x_mark, dec_inp, batch_y_mark)[0]
                        else:
                            outputs = self.model(batch_x, batch_x_mark, dec_inp, batch_y_mark)
                else:
                    if self.args.output_attention:
                        outputs = self.model(batch_x, batch_x_mark, dec_inp, batch_y_mark)[0]

                    else:
                        outputs = self.model(batch_x, batch_x_mark, dec_inp, batch_y_mark)
                #跟据元素设置确定f_dim为-1或者0,多元素进行降维操作
                f_dim = -1 if self.args.features == 'MS' else 0
                outputs = outputs[:, -self.args.pred_len:, :]
                batch_y = batch_y[:, -self.args.pred_len:, :].to(self.device)
                #将输出和真实标签从模型运行的设备转移到cpu,并将数据转换为numpy格式
                outputs = outputs.detach().cpu().numpy()
                batch_y = batch_y.detach().cpu().numpy()
                #如果数据被缩放过并且设置了逆转缩放操作
                if test_data.scale and self.args.inverse:
                    #将模型的输出和批量标签通过数据集的inverse_transform方法逆转缩放,已还原原始尺度
                    shape = outputs.shape
                    outputs = test_data.inverse_transform(outputs.squeeze(0)).reshape(shape)
                    batch_y = test_data.inverse_transform(batch_y.squeeze(0)).reshape(shape)

                #根据f_dim选择特定的特征
                outputs = outputs[:, :, f_dim:]
                batch_y = batch_y[:, :, f_dim:]

                #将输出和真实标签分别赋值给pred和true
                pred = outputs
                true = batch_y

                #讲这些预测和真实标签添加到之前初始化的列表中
                preds.append(pred)
                trues.append(true)
                #每20批次,执行以下代码块
                if i % 20 == 0:
                    #将该批次的输入数据移动到cpu,并将数据转换为numpy数组
                    input = batch_x.detach().cpu().numpy()
                    if test_data.scale and self.args.inverse:
                        shape = input.shape
                        #如果设置了缩放,逆转输入数据的缩放
                        input = test_data.inverse_transform(input.squeeze(0)).reshape(shape)
                    gt = np.concatenate((input[0, :, -1], true[0, :, -1]), axis=0)
                    pd = np.concatenate((input[0, :, -1], pred[0, :, -1]), axis=0)
                    #将输入数据和真实标签的最后一维拼接起来,形成gt(真实值图),将输入数据和预测结果的最后一维拼接起来,形成pd预测图
                    visual(gt, pd, os.path.join(folder_path, str(i) + '.pdf'))

        preds = np.array(preds)
        trues = np.array(trues)
        print('test shape:', preds.shape, trues.shape)
        preds = preds.reshape(-1, preds.shape[-2], preds.shape[-1])
        trues = trues.reshape(-1, trues.shape[-2], trues.shape[-1])
        print('test shape:', preds.shape, trues.shape)

        # result save
        folder_path = './results/' + setting + '/'
        if not os.path.exists(folder_path):
            os.makedirs(folder_path)
        #输出各个评估参数
        mae, mse, rmse, mape, mspe = metric(preds, trues)
        print('mse:{}, mae:{}'.format(mse, mae))
        f = open("result_long_term_forecast.txt", 'a')
        f.write(setting + "  \n")
        f.write('mse:{}, mae:{}'.format(mse, mae))
        f.write('\n')
        f.write('\n')
        f.close()
        #将测试结果存储在.npy文件
        np.save(folder_path + 'metrics.npy', np.array([mae, mse, rmse, mape, mspe]))
        np.save(folder_path + 'pred.npy', preds)
        np.save(folder_path + 'true.npy', trues)

        return
 文章来源地址https://www.toymoban.com/news/detail-815811.html

到了这里,关于时间序列(Time-Series)exp_long_term_forecasting.py代码解析的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包