train_set = ETTHour(df, "train", seq_len=seq_len, label_len=label_len, pred_len=pred_len) val_set = ETTHour(df, "val", seq_len=seq_len, label_len=label_len, pred_len=pred_len) test_set = ETTHour(df, "test", seq_len=seq_len, label_len=label_len, pred_len=pred_len) ...
seq_len:表示输入encoder的序列长度,这里设置为20。 label_len:表示输入decoder中的token的长度,这里设置为10,即通过前10个真实值来辅助decoder进行预测。 pred_len:表示预测序列的长度,这里设置为5,即表示预测后5个时刻的序列值。 enc_in:表示encoder的输入维度,这里设置为5,因为我们用到了开高低收以及成交量5个...
seq_len:表示输入encoder的序列长度,这里设置为20。 label_len:表示输入decoder中的token的长度,这里设置为10,即通过前10个真实值来辅助decoder进行预测。 pred_len:表示预测序列的长度,这里设置为5,即表示预测后5个时刻的序列值。 enc_in:表示encoder的输入维度,这里设置为5,因为我们用到了开高低收以及成交量5个...
checkpoints:模型最终保存的位置 seq_len:输入encoder 的序列长度 label_len: 输入decoder 的已知序列长度 pred_len:输入decoder 的待预测序列长度,Informer decoder input: concat[start token series(label_len), zero padding series(pred_len)],informer的特色之一 enc_in:输入 encoder的序列维度(实质上为数据集...
label_len:r_end]], 0) else: # 取有标签区间+无标签区间(预测时间步长)数据 seq_y = self.data_y[r_begin:r_end] # 取训练数据对应时间特征 seq_x_mark = self.data_stamp[s_begin:s_end] # 取有标签区间+无标签区间(预测时间步长)对应时间特征 seq_y_mark = self.data_stamp[r_begin:r_...
--label_len:Informer解码器的起始令牌长度。 --pred_len:预测序列长度。 --d_model:模型尺寸。 --n_heads:注意力头数。 --e_layers:编码器层数。 --d_layers:解码器层数。 --d_ff:前馈神经网络尺寸。 --factor:概率稀疏因子。 --dropout:dropout概率。 --attn:编码器中使用的注意力机制,可以设置为pro...
add_argument('--pred_len', type=int, default=24, help='prediction sequence length') # Informer decoder input: concat[start token series(label_len), zero padding series(pred_len)] # 编码器default参数为特征列数 parser.add_argument('--enc_in', type=int, default=7, help='encoder input ...
parser.add_argument('--label_len'): 训练样本(含标签样本)序列长度(模型里先验知识) parser.add_argument('--pred_len'):预测样本序列长度 parser.add_argument('--enc_in'): 输入样本数据维度/输入编码器的样本大小(比如csv训练数据有多少列)
[:,-self.pred_len:,:], attns else: return dec_out[:,-self.pred_len:,:] # [B, L, D] class InformerStack(nn.Layer): def __init__(self, enc_in, dec_in, c_out, seq_len, label_len, out_len, factor=5, d_model=512, n_heads=8, e_layers=[3,2,1], d_layers=2, d...
label_len:表示输入decoder中的token的长度,这里设置为10,即通过前10个真实值来辅助decoder进行预测。 pred_len:表示预测序列的长度,这里设置为5,即表示预测后5个时刻的序列值。 enc_in:表示encoder的输入维度,这里设置为5,因为我们用到了开高低收以及成交量5个特征。