时间序列预测 — Informer源码详解与运行

已于 2024-01-08 09:40:42 修改
阅读量2.3k 收藏 28
点赞数 3
分类专栏： 时间序列预测 文章标签： 时间序列预测 Informer
于 2023-11-21 22:13:10 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41921826/article/details/134509231
版权

 专栏链接：https://blog.csdn.net/qq_41921826/category_12495091.html

专栏内容

 所有文章提供源代码、数据集、效果可视化

 文章多次上领域内容榜、每日必看榜单、全站综合热榜

时间序列预测存在的问题

 现有的大量方法没有真正的预测未来值，只是用历史数据做验证

 利用时间序列分解算法存在信息泄露的问题：有人用emd+lstm对时间序列进行预测，是否存在原理上的问题? - 知乎

目录

1 源码解析

1.1 文件结构

1.2 mian_informer.py文件

1.3 模型训练

1.4 模型测试

1.5 模型预测

2 Informer模型

2.1 process_one_batch

2.2 Informer函数

了解本专栏 订阅专栏 解锁全文 超级会员免费看
几度春风里
关注
  • 3
    点赞
  • 踩
  • 28
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 11
    评论
专栏目录
订阅专栏
Informer(信息提取网络)实现时间序列预测(PyTorch版)
CSDN 精品推荐
04-26 4644
Informer是一种基于Transformer的时间序列预测模型，它能够有效地处理具有多种时间尺度和复杂性的时间序列数据。与传统的时间序列模型（如ARIMA、LSTM等）不同，Informer利用了Transformer的自注意力机制和多头注意力机制，能够同时捕捉全局和局部的时间相关性。
深度学习-时间序列预测-Informer模型-课程讲解ppt-组会ppt分享
05-21
包含Informer时间序列预测模型的论文源码和组会报告ppt Informer模型的主要特点包括： 多尺度时间编码器和解码器：Informer模型采用了一种多尺度时间编码器和解码器的结构，可以同时考虑不同时间尺度上的信息。 ...
informer时间序列预测
01-29
支持多步多变量输入，多步预测输出。 可以直接运行，代码简单。
时间序列预测模型实战案例(八)(Informer)个人数据集、详细参数、代码实战讲解
Snu77的博客
11-05 2万+
本篇博客带大家看的是Informer模型进行时间序列预测的实战案例，它是在2019年被提出并在ICLR 2020上被评为Best Paper，可以说Informer模型在当今的时间序列预测方面还是十分可靠的，Informer模型的实质是注意力机制+Transformer模型，Informer模型的核心思想是将输入序列进行自注意力机制的处理，以捕捉序列中的长期依赖关系，并利用Transformer的编码器-解码器结构进行预测，通过阅读本文你可以学会利用个人数据集训练模型。
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
最新发布
m0_53400993的博客
04-28 641
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→源码指路→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。
PyTorch搭建Informer实现长序列时间序列预测
KI的博客
04-05 2322
PyTorch搭建Informer实现长序列时间序列预测
长时间序列预测模型Informer
2301_76243816的博客
02-01 1381
此外，Informer采用了一种独特的序列下采样策略，有效地减少了序列的长度，从而进一步提升了处理长序列的能力。（随机抽取1/4，每个Q和1/4的K之间的相关性（96*96 —> 96*25）、得到了所有的Q是否活跃的排序，找到分布差异最大的top25个Q），由于ProbSparse自相关机制有很多都是用V的mean填充的，所以天然就存在几余的attention sorce，因此在相邻的Attention Block之间应用卷积与池化来对特征进行下采样，所以作者在设计Encoder时，采用。
Informer：比Transformer更有效的长时间序列预测
To be a better man
05-23 9030
目录 AAAI 2021最佳论文：比Transformer更有效的长时间序列预测 Background Why attention Methods:the details of Informer Solve_Challenge_1:最基本的一个思路就是降低Attention的计算量，仅计算一些非常重要的或者说有代表性的Attention即可，一些相近的思路在近期不断的提出，比如Sparse-Attention，这个方法涉及了稀疏化Attention的操作，来减少Attention计算量，然后涉及的
时间序列之：多步预测、长序列预测——Informer / ARIMA
yanghe4405的博客
06-05 4707
多步预测是指根据已知的时间序列数据预测未来多个时间步长的值。在ARIMA模型中，可以使用预测函数进行多步预测。Informer是一种用于时间序列预测的神经网络模型，旨在解决长序列预测中的挑战，如长期依赖性和变长序列。它结合了自注意力机制、卷积神经网络和传统的循环神经网络，以提高时间序列预测的准确性和效率。Informer模型的核心思想是将输入序列分成不同的时间段，然后通过编码器-解码器结构进行建模。编码器部分使用自注意力机制和卷积层来捕捉序列内部的长期依赖关系和局部模式。
Informer--用于长序列时序预测【2021AAAI Best Paper】
Pain is inevitable but suffering is optional.
09-25 1834
许多真实世界的应用需要对长序列时间序列进行预测，如用电计划。长序列时间序列预测( Long sequence time-series forecasting LSTF)对模型的预测能力提出了很高的要求，即能够有效地捕捉输出和输入之间精确的长期依赖耦合（ long-range dependency coupling）。最近的研究表明，Transformer 具有提高预测能力的潜力。
Informer模型实战案例(代码+数据集+参数讲解)
03-08
本篇博客带大家看的是Informer模型进行时间序列预测的实战案例，它是在2019年被提出并在ICLR 2020上被评为Best Paper，可以说Informer模型在当今的时间序列预测方面还是十分可靠的，Informer模型的实质是注意力机制+Transformer模型，Informer模型的核心思想是将输入序列进行自注意力机制的处理，以捕捉序列中的长期依赖关系，并利用Transformer的编码器-解码器结构进行预测，通过阅读本文你可以学会利用个人数据集训练模型。Informer是一种用于长序列时间序列预测的Transformer模型,但是它与传统的Transformer模型又有些不同点，与传统的Transformer模型相比，Informer具有以下几个独特的特点： 1. ProbSparse自注意力机制：Informer引入了ProbSparse自注意力机制，该机制在时间复杂度和内存使用方面达到了O(Llog L)的水平，能够有效地捕捉序列之间的长期依赖关系。 2. 自注意力蒸馏：通过减少级联层的输入，自注意力蒸馏技术可以有效处理极长的输入序列，提高了模型处理长序列的能力
时间序列预测-Transformer,Informer,Autoformer,FEDformer复现结果
11-15
本讨论涉及四个在时间序列预测中被广泛应用的模型：Transformer、Informer、Autoformer和FEDformer。这些模型均基于深度学习，尤其是自注意力机制，来处理序列数据中的时间依赖性。 Transformer模型最早由Vaswani等...
informer时间序列预测模型
04-18
《Informer时间序列预测模型深度解析与Python实现》 时间序列预测是数据分析领域的一个关键问题，广泛应用于金融、气象、交通、电力等多个行业。近年来，随着大数据和机器学习技术的发展，各种高效的时间序列预测...
Informer介绍，时间序列处理专用工具，22页ppt
07-10
Informer是一种用于时间序列预测的神经网络模型，它专注于处理多变量时间序列数据，并在预测过程中考虑到序列中的长期依赖关系。Informer模型由Zhou等人于2020年提出，并在时间序列预测任务中展现出良好的性能。 ...
【informer】 时间序列的预测学习 2021 AAAI best paper
weixin_40293999的博客
11-15 564
数据集 https://github.com/zhouhaoyi/ETDataset/blob/main/README_CN.md代码：https://github.com/zhouhaoyi/Informer2020#reproducibility21年的paper:https://arxiv.org/pdf/2012.07436.pdf论文在代码上有连接，貌似又出了2023的extend版本：惭愧啊，北航的paper哎…
Informer时间序列模型内容与代码解读
hajfhuw的博客
11-17 1492
用Transformer模型去解决长序列的时间预测问题， 为LSTF设计了一个高效的基于转换器的模型，名为Informer。尤其是提出了一种新的注意力层——ProbSparse Self-Attention和Distilling操作，在减少模型参数的同时大大提升模型的效果，值得在许多场合中借鉴。
AAAI最佳论文Informer 解读
热门推荐
fluentn的博客
04-02 3万+
AAAI最佳论文Informer:效果远超Transformer的神器简介预处理 Preliminary 与样本生成Step1:Embedding待更新 2021/04/02 由于Informer主要是在Transformer上的改进，这里不再赘述Transformer的细节，可以参见另外的博文，可以推荐两个。 深入理解Transformer及其源码解读 最火的几个全网络预训练模型梳理整合（从ELMO到BERT到XLNET） 简介 那么Informer是做什么的呢？ 主要针对长序列预测（Long Seque
机器学习算法实战案例：Informer 源码详解与代码实战
2301_78285120的博客
01-17 1751
首先导入代码的基本函数和数据类型，在exp文件下exp_informer import中的类Exp_Informer中，定义了模型参数、get_data、model_optim、train、test、eval等函数。本文完整代码、相关资料、技术交流&答疑，均可加我们的交流群获取，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友。利用Informer模型的最佳训练参数进行预测，包括预测数据加载、模型预测、保存预测结果的过程。一个人可以走的很快、一堆人可以走的更远。
【文章学习系列之模型】Informer
博客标题不能为空
04-25 4199
《Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting》是2021年发表于AAAI的一篇论文。常规自注意机制和Transformer模型已达性能瓶颈，作者尝试寻找新的方法来提高Transformer模型的性能，使其在具备更高效计算、内存和架构能力的同时，又能拥有更优异的预测能力。基于此，该论文提出了一种新的时序预测思路和自注意力机制。
informer结合
03-22
Informer是一种用于时间序列预测的模型，它结合了Transformer和自回归机制。它在处理时间序列数据时具有很好的性能，并且能够捕捉到长期依赖关系。 Informer模型的核心是Transformer编码器和解码器结构。编码器将输入序列进行编码，解码器则根据编码器的输出和历史预测结果来生成未来的预测值。在编码器和解码器中，使用了多头自注意力机制和前馈神经网络层，以捕捉序列中的关键信息。 与传统的时间序列预测方法相比，Informer具有以下优势： 1. 长期依赖关系建模：Informer通过自注意力机制能够有效地捕捉到序列中的长期依赖关系，从而提高了预测的准确性。 2. 多尺度特征提取：Informer使用了不同尺度的注意力机制，可以同时关注到序列中的局部和全局信息，从而更好地提取特征。 3. 自适应长度建模：Informer可以处理不同长度的输入序列，并且能够自适应地学习到序列中的重要特征。 总之，Informer是一种强大的时间序列预测模型，它结合了Transformer和自回归机制，能够有效地捕捉序列中的长期依赖关系，并提供准确的预测结果。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 11
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

几度春风里

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值