时间序列预测 — Informer模型原理

接着上一章的内容，当数据超过100个，要对数据进行更加精准的预测，该用什么样的方法呢？ 这时候ARIMA模型就登场了，全称是自回归差分移动平均模型，使用这个模型建模，具体的操作步骤如下： 1）观察时序的平稳性和随机性； 2）选择具体的模型； 3）拟合模型； 4）根据选定模型进行预测； 5）模型评价； 我将用一个实际的例子分步骤进行详细的讲解。 一、观察时序的平稳性和随机性 这里选...

Informer简介

时间序列预测是指利用历史时间序列数据来预测未来一段时间内数据点的值。它在许多领域都有应用，比如金融市场分析、天气预报、能源需求预测和供应链管理等。准确的时间序列预测能够帮助企业或机构做出更为科学的决策，提升效率和降低成本。时间序列预测是利用历史时间序列数据来预测未来时刻的值。它在金融市场分析、能源消耗预测、天气预报等众多领域都有广泛的应用。时间序列数据点是按时间顺序排列的观测值，它们可以是连续的也可以是离散的。从时间序列预测的基本概念出发，我们需要理解它的定义以及如何构建模型来处理这类数据。

Transformer+Informer

Informer 是一种针对长时间序列预测任务设计的深度学习模型，特别适用于解决序列数据的高效建模与预测问题。Informer 提出了许多创新的机制，尤其是在计算效率方面，能够显著提高长时间序列预测的准确性和速度。以下是对该模型的详细介绍。

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时序数据编码

Informer作者经过观察对于每一个Q来说，只有一小部分的K于其它关系较强，所以要找出有用的Q值。长序列很难预测准， 首先做预测，然后用预测的结果再去预测，非常困难。例如源码输出结果:32,8,96,25表示8头注意力,96个Q分别跟25个K计算的内积。在96个Q中,选出来差异最大的25个(根据序列长度来定的一个参数值)现在要选出来的是一些重要的Q,正常情况需每一个Q跟96个K计算。LSTM:在长序列预测中，如果序列越长，速度越慢，效果越差。得到的QK内积为:32,8,25,96,就是只选了25个Q。

在上述代码中，我们首先定义了一个Informer模型，然后创建了一个时间序列的数据集，用于训练模型。最后，我们使用训练好的模型对未来7天的数据进行预测，并输出预测结果。通过适当的数据准备、模型训练和预测过程，我们可以获得准确的未来数据预测结果，这对于许多实际应用场景非常有价值。时间序列预测是一种重要的数据分析技术，可以用于预测未来一段时间内的数据趋势和模式。通过不断优化模型的结构和参数，你可以获得更准确的时间序列预测结果。假设我们有一个包含历史每日销售量的数据集，我们的目标是预测未来7天的销售量。

具体写在云上了还可以参考文章如下Informer时序模型自定义项目首先，在不更改任何参数的情况下跑完代码，会在项目文件夹中生成两个子文件夹checkpoints文件夹中包含训练完成的模型，后缀名为.pth，该模型文件包含完整的模型架构与各层权重，可以通过torch.load函数加载模型results文件夹中包含metrics.npy、pred.npy、true.npy三个文件，pred.npy表示模型预测值，true.npy表示序列真实值。

在时间序列预测的世界里，传统的模型如ARIMA和LSTM虽然经典，但在处理长序列数据时，往往会遇到效率和准确性的瓶颈。想象一下，如果你需要预测未来几个月甚至几年的数据，而这些数据又非常复杂，传统的模型可能会让你感到力不从心。这时，Informer 模型应运而生，它就像是一位高效的时间旅行者，能够快速而准确地预测未来。

Informer的时间序列预测完整代码数据