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
?