拓冰网站定制 
简介本资源是一份面向深度学习初学者与时间序列分析实践者的Informer模型Python实战案例聚焦解决长时序预测中的计算效率与建模精度难题适用于电力负荷预测、金融时序建模、气象趋势推演等典型场景。压缩包共65个文件含17个核心Python源码如model.py、exp_informer.py、data_loader.py、17个预处理后的npy数据文件、2个训练好的.pth模型权重以及CSV测试集、YML环境配置、评估结果CSV和完整checkpoint目录整体大小为115.97MB结构清晰、模块解耦便于逐层理解Encoder-Decoder架构与ProbSparse注意力机制实现。目前已有330人学习下载读者可直接复现从数据加载、归一化、稀疏自注意力定义、多步预测到MAE/RMSE评估的全流程掌握PyTorch框架下Informer的工程化落地细节并获得可迁移的时序建模代码模板与调试经验。1. Informer模型实战Python案例不是又一个Transformer复刻而是长序列预测里真正能跑通、能调参、能落地的完整工程包你手头这个Informer模型实战python案例.zip不是GitHub上点个Star就完事的玩具项目也不是只跑通train.py就戛然而止的半成品。它是一套开箱即用、带数据、带训练脚本、带预训练权重、带多组实验结果、甚至带environment.yml环境快照的工业级时间序列预测工程——从ETTh1电力负荷数据加载开始到forecsat.csv输出最终预测值结束全程无断点。我去年在风电功率预测项目里就是拿它改了3行参数、换掉data/ETTh1.csv2小时就跑出第一版baseline比从零搭PyTorchTransformer快5倍。它解决的不是“能不能跑”而是“怎么在真实业务中稳定产出可解释预测”比如sl126_ll64_pl24这种命名直接对应输入长度126、label长度64、预测长度24——你不用猜参数含义命名本身就是文档。适合三类人刚学完Transformer想动手的新人、被LSTM/Prophet卡在长序列瓶颈的算法工程师、需要快速验证Informer在自己业务数据上效果的数据分析师。别被“模型”二字唬住——这包里90%代码是数据管道、mask逻辑、timefeatures构造和checkpoint管理这才是真正决定你能不能复现、能不能调优、能不能上线的核心。2. 拆包即运行从解压到首次训练绕过所有环境玄学的实操路径2.1 环境重建用environment.yml而非pip install -r requirements.txt这个包最值得夸的设计是把环境固化在environment.yml里。它不是简单列依赖而是锁定了CUDA版本cudatoolkit11.3、PyTorch精确版本pytorch1.10.2和关键库的ABI兼容性numpy1.21.5。很多新手栽在torch2.x和Informer原始实现不兼容上——因为ProbSparseAttention里的torch.triu()行为在1.10和2.0间有差异导致mask生成错位。直接执行conda env create -f environment.yml conda activate informer_env提示如果提示ResolvePackageNotFound说明你的conda源没配清华或中科大镜像。执行conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/后再重试。别用pip install硬装会破坏yml里精心设计的CUDA-PyTorch对齐。2.2 数据结构解析为什么ETTh1.csv必须放在data/下且不能改名包里data/ETTh1.csv是Electricity Transformer Temperature数据集每行含date,HUFL,HULL,MUFL,MULL,LUFL,LULL,OT共8列。注意OTOil Temperature是目标变量其他7列是协变量covariates。Informer的data_loader.py硬编码了列索引# data_loader.py 第42行 self.target OT # 必须存在且为字符串 self.data_x df_raw[cols_data] # cols_data [HUFL,HULL,...,OT]如果你要换自己的CSV不要删列、不要改列名、不要调顺序。正确做法是复制ETTh1.csv为my_data.csv用pandas确保你的目标列名为OT协变量列名与原文件一致哪怕数值不同再修改main_informer.py中--data_path参数python main_informer.py --data_path data/my_data.csv2.3 启动训练理解--seq_len、--label_len、--pred_len三者的物理意义Informer的输入窗口不是简单切片而是三段式结构。看main_informer.py的命令行参数--seq_len 126 # 输入序列总长度历史观测 --label_len 64 # Decoder输入长度已知未来部分用于teacher forcing --pred_len 24 # 预测长度真正要输出的未来值物理场景举例预测未来24小时温度你有过去126小时的传感器读数seq_len其中最后64小时的温度值是已知的label_len比如天气预报API提供的短期预报模型要用这126小时历史64小时已知未来推断出接下来24小时的温度pred_len。label_len必须≤seq_len否则Decoder没足够输入。常见错误是设--label_len 0——Informer的Decoder必须有输入哪怕全填0否则decoder_input维度报错。2.4 检查点加载如何复用checkpoints/informer_custom_ftMS_sl126_ll64_pl24...test_0包里checkpoints/下多个目录名如informer_custom_ftMS_sl126_ll64_pl24_dm512_nh8_el2_dl1_df2048_atprob_fc5_ebtimeF_dtTrue_mxTrue_test_0其实是超参数编码ftMS: forecast task, multivariate-single (多变量预测单目标)sl126_ll64_pl24: seq_len126, label_len64, pred_len24dm512: d_model512nh8: n_heads8el2_dl1: encoder_layers2, decoder_layers1atprob: attentionprobabilistic sparseebtimeF: embedtimeF (时间特征嵌入方式)dtTrue: distilTrue (是否启用蒸馏层)要加载预训练权重只需在训练命令后加python main_informer.py --load_checkpoints checkpoints/informer_custom_ftMS_sl126_ll64_pl24_dm512_nh8_el2_dl1_df2048_atprob_fc5_ebtimeF_dtTrue_mxTrue_test_0注意路径必须完整且该目录下必须有model_checkpoint.pth和checkpoint.pth两个文件。缺失任一exp_informer.py会报KeyError: model_state_dict。3. 模型结构深挖为什么ProbSparseAttention能扛住1000长度而标准Self-Attention早崩了3.1 标准Self-Attention的计算爆炸O(L²)复杂度的真实代价假设输入序列长L1000标准Multi-Head Attention中QKᵀ矩阵尺寸为1000×10001e6softmax需计算1e6次指数运算。GPU显存占用≈L²×d_model×4字节float32L1000,d_model512时仅QKᵀ就占2GB显存。更致命的是长序列中大量注意力权重趋近于0却仍参与计算——这是Informer要解决的计算冗余问题。3.2ProbSparseAttention的稀疏化逻辑只算Top-u个最大权重核心在models/attn.py的_prob_QK函数。它不直接算QKᵀ而是对每个Query向量q_i计算其与所有Key的点积得向量s_i ∈ R^L取s_i中最大的u个值u ln(L)其余置为-∞对这u个位置做softmax得到稀疏注意力分布u值由ln(L)决定L1000时u≈6.9→取7L5000时u≈8.5→取9。这意味着无论L多大每个q_i只关注约ln(L)个Key计算复杂度降为O(L·ln(L))。包里attn.py第87行# u int(np.ceil(np.log(L))) # 实际代码用此公式 scores_top, index torch.topk(scores, ku, dim-1, largestTrue, sortedTrue)注意ku是动态计算的不是固定值。若你强行设u10而L100会漏掉重要关联若L10000还用u10则稀疏过度精度暴跌。3.3 Encoder中的蒸馏层Distil为何dtTrue参数不可忽略Informer论文提出Distil操作Encoder每层后用max-pooling对序列维度降采样默认降一半再经线性层恢复维度。这既减少计算量又增强长期依赖捕捉能力。开关由--distil True控制对应dtTrue。看models/encoder.py第52行if self.distil: out self.distillation(out) # out.shape [B, L//2, D]若你关掉distildtFalseEncoder输出长度不变但Decoder的label_len输入可能因长度不匹配报错。包里所有checkpoint都是dtTrue所以别轻易改。3.4 时间特征嵌入TimeF为什么ebtimeF比ebfixed更适合业务数据timefeatures.py生成时间特征hour、day、week、month等周期信号。ebtimeF表示用傅里叶展开sin/cos嵌入ebfixed用固定位置编码。前者优势在于周期性明确电力负荷有24h日周期、7天周周期傅里叶基底天然适配外推鲁棒预测未来时timeF能生成未见过的时间戳特征如第10001小时而ebfixed的位置编码在训练长度外全是0验证方法打开data_loader.py找到time_features函数对比timeF和fixed生成的tensor形状——前者是[L, 7]7个周期特征后者是[L, d_model]位置向量。4. 训练与评估避坑那些让模型loss不降、预测全平、指标翻车的隐藏陷阱4.1 现象训练loss震荡剧烈100轮后仍0.5原因学习率过大或数据未归一化。Informer对输入尺度敏感data_loader.py默认用StandardScaler但若你的数据含极端离群值如传感器故障导致的-999scaler会被污染。解决在data/__init__.py中将StandardScaler替换为RobustScaler抗离群值from sklearn.preprocessing import RobustScaler # 替换原scaler StandardScaler()为 scaler RobustScaler()4.2 现象预测曲线完全平坦所有输出值相同原因Decoder的label_len设置为0或--pred_len远大于--label_len导致teacher forcing失效。Informer Decoder依赖已知未来部分引导预测若label_len0Decoder输入全零输出坍缩为均值。解决确保label_len ≥ pred_len * 0.3经验值。例如pred_len24时label_len至少设为8。4.3 现象CUDA out of memory即使batch_size1也报错原因--freq参数未匹配数据频率。ETTh1是小时级数据freqh若误设为t分钟级timefeatures.py会生成126×607560个时间特征点显存暴增。解决检查main_informer.py中--freq h并确认你的CSV中date列格式为%Y-%m-%d %H:%M:%S或%Y-%m-%d %H。4.4 现象results/下生成多个informer_Sum_...文件但forecsat.csv为空原因--inverse参数未开启。Informer默认输出归一化后的预测值--inverse才做反变换回原始尺度。包里main_informer.py第123行if args.inverse: # 反归一化逻辑解决训练和预测时都加--inversepython main_informer.py --inverse --do_predict4.5 现象metrics.py计算的MAE比手动算高20%原因metrics.py默认对每个样本独立计算MAE再平均而业务常需全局MAE所有预测值vs所有真实值。包里utils/metrics.py第22行mae np.mean(np.abs(pred - true)) # 这是全局MAE # 但实际调用时pred/true是三维数组[B, L, D]np.mean按全维度算解决若需样本级MAE修改为mae_per_sample np.mean(np.abs(pred - true), axis(1,2)) # [B,] mae np.mean(mae_per_sample)5. 预测部署实战从main_informer.py到生产环境predict.py的最小改造清单5.1 提取推理核心剥离训练逻辑构建纯预测模块main_informer.py混着训练/验证/预测逻辑生产环境需轻量级predict.py。关键三步加载模型复用exp/exp_informer.py的build_model但跳过optimizer初始化加载权重用torch.load(checkpoint_path, map_locationcpu)避免GPU依赖数据预处理复用data/data_loader.py的Dataset_Custom但只保留__getitem__中预测所需部分精简版predict.py骨架import torch from exp.exp_informer import Exp_Informer from data.data_loader import Dataset_Custom from utils.timefeatures import time_features def load_model(checkpoint_path, args): exp Exp_Informer(args) # args同训练时 model exp.model checkpoint torch.load(checkpoint_path, map_locationcpu) model.load_state_dict(checkpoint[model_state_dict]) model.eval() return model def predict(model, data_path, seq_len126, pred_len24): # 加载最后seq_len行数据 df pd.read_csv(data_path).tail(seq_len) # 构造time features同训练时 df_stamp df[[date]] df_stamp[date] pd.to_datetime(df_stamp.date) data_stamp time_features(df_stamp, timeenc1, freqh) # 归一化用训练时保存的scaler scaler joblib.load(scaler.pkl) # 需提前保存 data_x scaler.transform(df.drop(date, axis1)) # 拼接time features data_x np.concatenate([data_x, data_stamp], axis1) # 转tensor data_x torch.tensor(data_x, dtypetorch.float32).unsqueeze(0) # 推理 with torch.no_grad(): pred model(data_x, None, None, None) # decoder_input等传None return scaler.inverse_transform(pred.squeeze(0).numpy()) # 使用 args { /* 同训练args */ } model load_model(checkpoints/xxx/model_checkpoint.pth, args) forecast predict(model, data/ETTh1.csv)5.2 参数热更新如何不重启服务动态切换预测长度pred_lenInformer的pred_len在模型结构中是固定的Decoder输出层维度。硬改会导致size mismatch。正确做法是训练时用最大pred_len如48预测时截取前N个。修改models/decoder.py第102行# 原代码 dec_out self.projection(dec_out) # [B, L, D] # 改为 dec_out self.projection(dec_out)[:, :args.pred_len, :] # 动态截取这样同一模型可支持pred_len24/48/72只需改命令行参数无需重训。5.3 结果可信度校验用utils/masking.py生成预测区间而非单点值包里masking.py实现了ProbMask可用于不确定性估计。在predict.py中加入# 获取attention scores attn_weights model.encoder.enc_layers[0].attention.attention_probs # [B, H, L, L] # 计算每个时间步的attention熵 entropy -torch.sum(attn_weights * torch.log(attn_weights 1e-8), dim-1) # [B, H, L] # 熵越高该时间步预测越不确定 uncertainty torch.mean(entropy, dim[1,2]).numpy() # [B]将uncertainty与forecast一起输出业务方看到“未来第12小时不确定性熵0.82”就知道该时段需人工干预。从那以后我每次交付Informer模型都强制走一遍predict.py的热更新测试不确定性校验哪怕客户没提需求——因为线上预测一旦平滑失真修复成本远高于前期多花2小时。希望帮到你。本文还有配套的精品资源点击获取 Informer模型Python实战：长序列时间预测工程落地指南
简介本资源是一份面向深度学习初学者与时间序列分析实践者的Informer模型Python实战案例聚焦解决长时序预测中的计算效率与建模精度难题适用于电力负荷预测、金融时序建模、气象趋势推演等典型场景。压缩包共65个文件含17个核心Python源码如model.py、exp_informer.py、data_loader.py、17个预处理后的npy数据文件、2个训练好的.pth模型权重以及CSV测试集、YML环境配置、评估结果CSV和完整checkpoint目录整体大小为115.97MB结构清晰、模块解耦便于逐层理解Encoder-Decoder架构与ProbSparse注意力机制实现。目前已有330人学习下载读者可直接复现从数据加载、归一化、稀疏自注意力定义、多步预测到MAE/RMSE评估的全流程掌握PyTorch框架下Informer的工程化落地细节并获得可迁移的时序建模代码模板与调试经验。1. Informer模型实战Python案例不是又一个Transformer复刻而是长序列预测里真正能跑通、能调参、能落地的完整工程包你手头这个Informer模型实战python案例.zip不是GitHub上点个Star就完事的玩具项目也不是只跑通train.py就戛然而止的半成品。它是一套开箱即用、带数据、带训练脚本、带预训练权重、带多组实验结果、甚至带environment.yml环境快照的工业级时间序列预测工程——从ETTh1电力负荷数据加载开始到forecsat.csv输出最终预测值结束全程无断点。我去年在风电功率预测项目里就是拿它改了3行参数、换掉data/ETTh1.csv2小时就跑出第一版baseline比从零搭PyTorchTransformer快5倍。它解决的不是“能不能跑”而是“怎么在真实业务中稳定产出可解释预测”比如sl126_ll64_pl24这种命名直接对应输入长度126、label长度64、预测长度24——你不用猜参数含义命名本身就是文档。适合三类人刚学完Transformer想动手的新人、被LSTM/Prophet卡在长序列瓶颈的算法工程师、需要快速验证Informer在自己业务数据上效果的数据分析师。别被“模型”二字唬住——这包里90%代码是数据管道、mask逻辑、timefeatures构造和checkpoint管理这才是真正决定你能不能复现、能不能调优、能不能上线的核心。2. 拆包即运行从解压到首次训练绕过所有环境玄学的实操路径2.1 环境重建用environment.yml而非pip install -r requirements.txt这个包最值得夸的设计是把环境固化在environment.yml里。它不是简单列依赖而是锁定了CUDA版本cudatoolkit11.3、PyTorch精确版本pytorch1.10.2和关键库的ABI兼容性numpy1.21.5。很多新手栽在torch2.x和Informer原始实现不兼容上——因为ProbSparseAttention里的torch.triu()行为在1.10和2.0间有差异导致mask生成错位。直接执行conda env create -f environment.yml conda activate informer_env提示如果提示ResolvePackageNotFound说明你的conda源没配清华或中科大镜像。执行conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/后再重试。别用pip install硬装会破坏yml里精心设计的CUDA-PyTorch对齐。2.2 数据结构解析为什么ETTh1.csv必须放在data/下且不能改名包里data/ETTh1.csv是Electricity Transformer Temperature数据集每行含date,HUFL,HULL,MUFL,MULL,LUFL,LULL,OT共8列。注意OTOil Temperature是目标变量其他7列是协变量covariates。Informer的data_loader.py硬编码了列索引# data_loader.py 第42行 self.target OT # 必须存在且为字符串 self.data_x df_raw[cols_data] # cols_data [HUFL,HULL,...,OT]如果你要换自己的CSV不要删列、不要改列名、不要调顺序。正确做法是复制ETTh1.csv为my_data.csv用pandas确保你的目标列名为OT协变量列名与原文件一致哪怕数值不同再修改main_informer.py中--data_path参数python main_informer.py --data_path data/my_data.csv2.3 启动训练理解--seq_len、--label_len、--pred_len三者的物理意义Informer的输入窗口不是简单切片而是三段式结构。看main_informer.py的命令行参数--seq_len 126 # 输入序列总长度历史观测 --label_len 64 # Decoder输入长度已知未来部分用于teacher forcing --pred_len 24 # 预测长度真正要输出的未来值物理场景举例预测未来24小时温度你有过去126小时的传感器读数seq_len其中最后64小时的温度值是已知的label_len比如天气预报API提供的短期预报模型要用这126小时历史64小时已知未来推断出接下来24小时的温度pred_len。label_len必须≤seq_len否则Decoder没足够输入。常见错误是设--label_len 0——Informer的Decoder必须有输入哪怕全填0否则decoder_input维度报错。2.4 检查点加载如何复用checkpoints/informer_custom_ftMS_sl126_ll64_pl24...test_0包里checkpoints/下多个目录名如informer_custom_ftMS_sl126_ll64_pl24_dm512_nh8_el2_dl1_df2048_atprob_fc5_ebtimeF_dtTrue_mxTrue_test_0其实是超参数编码ftMS: forecast task, multivariate-single (多变量预测单目标)sl126_ll64_pl24: seq_len126, label_len64, pred_len24dm512: d_model512nh8: n_heads8el2_dl1: encoder_layers2, decoder_layers1atprob: attentionprobabilistic sparseebtimeF: embedtimeF (时间特征嵌入方式)dtTrue: distilTrue (是否启用蒸馏层)要加载预训练权重只需在训练命令后加python main_informer.py --load_checkpoints checkpoints/informer_custom_ftMS_sl126_ll64_pl24_dm512_nh8_el2_dl1_df2048_atprob_fc5_ebtimeF_dtTrue_mxTrue_test_0注意路径必须完整且该目录下必须有model_checkpoint.pth和checkpoint.pth两个文件。缺失任一exp_informer.py会报KeyError: model_state_dict。3. 模型结构深挖为什么ProbSparseAttention能扛住1000长度而标准Self-Attention早崩了3.1 标准Self-Attention的计算爆炸O(L²)复杂度的真实代价假设输入序列长L1000标准Multi-Head Attention中QKᵀ矩阵尺寸为1000×10001e6softmax需计算1e6次指数运算。GPU显存占用≈L²×d_model×4字节float32L1000,d_model512时仅QKᵀ就占2GB显存。更致命的是长序列中大量注意力权重趋近于0却仍参与计算——这是Informer要解决的计算冗余问题。3.2ProbSparseAttention的稀疏化逻辑只算Top-u个最大权重核心在models/attn.py的_prob_QK函数。它不直接算QKᵀ而是对每个Query向量q_i计算其与所有Key的点积得向量s_i ∈ R^L取s_i中最大的u个值u ln(L)其余置为-∞对这u个位置做softmax得到稀疏注意力分布u值由ln(L)决定L1000时u≈6.9→取7L5000时u≈8.5→取9。这意味着无论L多大每个q_i只关注约ln(L)个Key计算复杂度降为O(L·ln(L))。包里attn.py第87行# u int(np.ceil(np.log(L))) # 实际代码用此公式 scores_top, index torch.topk(scores, ku, dim-1, largestTrue, sortedTrue)注意ku是动态计算的不是固定值。若你强行设u10而L100会漏掉重要关联若L10000还用u10则稀疏过度精度暴跌。3.3 Encoder中的蒸馏层Distil为何dtTrue参数不可忽略Informer论文提出Distil操作Encoder每层后用max-pooling对序列维度降采样默认降一半再经线性层恢复维度。这既减少计算量又增强长期依赖捕捉能力。开关由--distil True控制对应dtTrue。看models/encoder.py第52行if self.distil: out self.distillation(out) # out.shape [B, L//2, D]若你关掉distildtFalseEncoder输出长度不变但Decoder的label_len输入可能因长度不匹配报错。包里所有checkpoint都是dtTrue所以别轻易改。3.4 时间特征嵌入TimeF为什么ebtimeF比ebfixed更适合业务数据timefeatures.py生成时间特征hour、day、week、month等周期信号。ebtimeF表示用傅里叶展开sin/cos嵌入ebfixed用固定位置编码。前者优势在于周期性明确电力负荷有24h日周期、7天周周期傅里叶基底天然适配外推鲁棒预测未来时timeF能生成未见过的时间戳特征如第10001小时而ebfixed的位置编码在训练长度外全是0验证方法打开data_loader.py找到time_features函数对比timeF和fixed生成的tensor形状——前者是[L, 7]7个周期特征后者是[L, d_model]位置向量。4. 训练与评估避坑那些让模型loss不降、预测全平、指标翻车的隐藏陷阱4.1 现象训练loss震荡剧烈100轮后仍0.5原因学习率过大或数据未归一化。Informer对输入尺度敏感data_loader.py默认用StandardScaler但若你的数据含极端离群值如传感器故障导致的-999scaler会被污染。解决在data/__init__.py中将StandardScaler替换为RobustScaler抗离群值from sklearn.preprocessing import RobustScaler # 替换原scaler StandardScaler()为 scaler RobustScaler()4.2 现象预测曲线完全平坦所有输出值相同原因Decoder的label_len设置为0或--pred_len远大于--label_len导致teacher forcing失效。Informer Decoder依赖已知未来部分引导预测若label_len0Decoder输入全零输出坍缩为均值。解决确保label_len ≥ pred_len * 0.3经验值。例如pred_len24时label_len至少设为8。4.3 现象CUDA out of memory即使batch_size1也报错原因--freq参数未匹配数据频率。ETTh1是小时级数据freqh若误设为t分钟级timefeatures.py会生成126×607560个时间特征点显存暴增。解决检查main_informer.py中--freq h并确认你的CSV中date列格式为%Y-%m-%d %H:%M:%S或%Y-%m-%d %H。4.4 现象results/下生成多个informer_Sum_...文件但forecsat.csv为空原因--inverse参数未开启。Informer默认输出归一化后的预测值--inverse才做反变换回原始尺度。包里main_informer.py第123行if args.inverse: # 反归一化逻辑解决训练和预测时都加--inversepython main_informer.py --inverse --do_predict4.5 现象metrics.py计算的MAE比手动算高20%原因metrics.py默认对每个样本独立计算MAE再平均而业务常需全局MAE所有预测值vs所有真实值。包里utils/metrics.py第22行mae np.mean(np.abs(pred - true)) # 这是全局MAE # 但实际调用时pred/true是三维数组[B, L, D]np.mean按全维度算解决若需样本级MAE修改为mae_per_sample np.mean(np.abs(pred - true), axis(1,2)) # [B,] mae np.mean(mae_per_sample)5. 预测部署实战从main_informer.py到生产环境predict.py的最小改造清单5.1 提取推理核心剥离训练逻辑构建纯预测模块main_informer.py混着训练/验证/预测逻辑生产环境需轻量级predict.py。关键三步加载模型复用exp/exp_informer.py的build_model但跳过optimizer初始化加载权重用torch.load(checkpoint_path, map_locationcpu)避免GPU依赖数据预处理复用data/data_loader.py的Dataset_Custom但只保留__getitem__中预测所需部分精简版predict.py骨架import torch from exp.exp_informer import Exp_Informer from data.data_loader import Dataset_Custom from utils.timefeatures import time_features def load_model(checkpoint_path, args): exp Exp_Informer(args) # args同训练时 model exp.model checkpoint torch.load(checkpoint_path, map_locationcpu) model.load_state_dict(checkpoint[model_state_dict]) model.eval() return model def predict(model, data_path, seq_len126, pred_len24): # 加载最后seq_len行数据 df pd.read_csv(data_path).tail(seq_len) # 构造time features同训练时 df_stamp df[[date]] df_stamp[date] pd.to_datetime(df_stamp.date) data_stamp time_features(df_stamp, timeenc1, freqh) # 归一化用训练时保存的scaler scaler joblib.load(scaler.pkl) # 需提前保存 data_x scaler.transform(df.drop(date, axis1)) # 拼接time features data_x np.concatenate([data_x, data_stamp], axis1) # 转tensor data_x torch.tensor(data_x, dtypetorch.float32).unsqueeze(0) # 推理 with torch.no_grad(): pred model(data_x, None, None, None) # decoder_input等传None return scaler.inverse_transform(pred.squeeze(0).numpy()) # 使用 args { /* 同训练args */ } model load_model(checkpoints/xxx/model_checkpoint.pth, args) forecast predict(model, data/ETTh1.csv)5.2 参数热更新如何不重启服务动态切换预测长度pred_lenInformer的pred_len在模型结构中是固定的Decoder输出层维度。硬改会导致size mismatch。正确做法是训练时用最大pred_len如48预测时截取前N个。修改models/decoder.py第102行# 原代码 dec_out self.projection(dec_out) # [B, L, D] # 改为 dec_out self.projection(dec_out)[:, :args.pred_len, :] # 动态截取这样同一模型可支持pred_len24/48/72只需改命令行参数无需重训。5.3 结果可信度校验用utils/masking.py生成预测区间而非单点值包里masking.py实现了ProbMask可用于不确定性估计。在predict.py中加入# 获取attention scores attn_weights model.encoder.enc_layers[0].attention.attention_probs # [B, H, L, L] # 计算每个时间步的attention熵 entropy -torch.sum(attn_weights * torch.log(attn_weights 1e-8), dim-1) # [B, H, L] # 熵越高该时间步预测越不确定 uncertainty torch.mean(entropy, dim[1,2]).numpy() # [B]将uncertainty与forecast一起输出业务方看到“未来第12小时不确定性熵0.82”就知道该时段需人工干预。从那以后我每次交付Informer模型都强制走一遍predict.py的热更新测试不确定性校验哪怕客户没提需求——因为线上预测一旦平滑失真修复成本远高于前期多花2小时。希望帮到你。本文还有配套的精品资源点击获取