Informer长时序预测网络（2.输出可视化结果&更改自己的数据集）--小白粥学习笔记

[新手小白刚接触深度学习&时序网络，试着上手跑一跑Informer，以下一切都是我在学习其他作者文章后的个人理解，求大佬指正!!!--虚心的研一orz]

论文指路→[2012.07436] Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting (arxiv.org)

源码指路→

[2012.07436] Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting (arxiv.org)

有很多作者大大给出了Informer网络创新点&与原始Transformer的对比，我要去补课了555

调试环节我学习了以下作者大大的文章：

源码阅读及理论详解《 Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting 》_informer源码-CSDN博客

时间序列预测实战(十九)魔改Informer模型进行滚动长期预测（科研版本，结果可视化）-CSDN博客

-----------------------------------------------------------分割线------------------------------------------------------------[24/04/29]

[前言：这篇博客可能是我对Informer实战的最后一篇，因为今天组会和老师汇报了Informer的相关内容，但是Informer网络目前不太符合我研究方向所需要的网络条件...我导让我另谋网络啦，但是我还是决定把我最近学习的内容分享出来]

-----------------------------------------------------------分割线------------------------------------------------------------ 

一、结果可视化

接我上一篇关于Informer学习的博客，当给网络输入模型和数据集后，网络开始运行[指路链接]Informer长时序预测网络（1.环境配置&按例跑网络）--小白粥学习笔记-CSDN博客]

1、如果想要输出预测结果，需要在[main_informer.py]中将“do_predict”改为：

parser.add_argument('--do_predict', action='store_false',help='whether to predict unseen future data')

网络运行结束后会将权重结果存放在“checkpoints”文件夹下，将网络结果存放在“results/setting(你网络的setting数据)”文件夹下。脚本中是以下代码表示：

 文件夹内容如图：

 输出的结果表示为.npy文件，即用numpy存储的文件，如何可视化呢？

2、新建脚本“results”，脚本思路很简单，想要把真实值和预测值放在一张图，看看预测结果和真实值的差距，因为是.npy文件因此思路是：load npy文件—绘图。

[以下参考了别的博主]为了让结果更好观察，可以添加标签和输出他们的维度，方便改网络。完整代码如下：

import numpy as np
import matplotlib.pyplot as plt

folder = 'informer_ETTh1_ftM_sl96_ll48_pl23_dm512_nh8_el2_dl1_df2048_atprob_fc5_ebtimeF_dtTrue_mxTrue_test_0'
pred = np.load('./results/'+folder+'/pred.npy')
true = np.load('./results/'+folder+'/true.npy')

print(pred.shape)
print(true.shape)

plt.figure(1)
plt.plot(true[0,:,-1], label='GroundTruth')
plt.plot(pred[0,:,-1], label='Prediction')
plt.legend()
plt.show()

real_pred=np.load('./results/'+folder+'/real_prediction.npy')
print(real_pred.shape)
plt.figure()
plt.plot(real_pred[0,:,-1],label='real_prediction')
plt.legend()
plt.show()

 输出结果如下（我更改了epoch、pred_len等节省时间+方便观察，所以结果可能不太一样，但是思路差不多）：

 

第一张图是真实值和预测值的比较，第二张图是未来的预测，第三张图是我输出的三个量的维度，其中我把“pred_len”改成23，也就是只输出了未来的23个值（根据需求更改）。

二、更改自己的数据集

这个问题我学了好几天，总结了几个我认为可以直接上手改的地方。

1、--data

首先肯定是你自己数据集的地址需要修改，如果嫌麻烦可以放在ETT下，但得是csv格式，红框里的需要适当修改

2、--feature

其次需要更改你数据集的预测种类“--feature”,到底是属于M，还是MS，还是S，就看你预测的方法，是多测多还是其他的。

3、--target

这个target是你csv文件里标签的那一列的名称，ETT的数据集标签都是“OT”，自定义修改（注：自己数据集时间那列的标签得是data，不然得去脚本里改）

 4、--freq

源码中说的很清楚，就是你data中相隔的时间，直接改default，如果是相隔一天就是d，其他同理，但是也可以15min或者3h，但是间隔得相同!!

5、各种len长度

我觉得没什么太大必要改，就看你数据集大小和你想要预测未来的天数自定义更改，如果数据集笑，seq_len可以适当调小一些

6、enc_in/dec_in/c_out

这些默认为7，是因为ETTh1数据集除了日期那一列有7列（特征点+标签），根据你自己数据集定，但是要相同

7、data_parser字典

需要增加自己数据集的字典信息，比如我这里把我的数据集名称为“test_zxr”，我的csv文件为“zxr.csv”（与上面--data对应），输出列名为“line”

8、 在get_data中需要给字典data_dict加入自己数据集的信息，这里后面的字典属性要对应data_loader里，在里面看看你的数据集适合哪种方法，不然就自己写一个

 以上就是我学习的进度，改自己数据集应该还有一些需要更改的代码内容，欢迎补充~